Alta

NLTK: La extracción de paquetes ZIP sigue hardlinks internos y sobreescribe archivos fuera de la raíz de datos de NLTK

  • Publicada: 19.11.2026
  • Actualizado: 22.11.2026 10:00

Resumen

NLTK incluye un contenedor de seguridad, nltk.pathsec.ZipFile, diseñado para restringir la extracción de archivos a raíces de datos de confianza y bloquear escapes basados en enlaces. Cuando nltk.download() instala un paquete, la escritura durante la extracción abre la ruta de destino de cada miembro sin comprobar si dicha ruta es un enlace duro (hardlink) a un archivo ubicado fuera de la raíz de datos. Un atacante local capaz de escribir en una raíz de datos compartida o predecible de NLTK (por ejemplo, ~/nltk_data, un /usr/share/nltk_data con permisos de escritura para grupos o un volumen compartido de contenedor) puede colocar previamente un hardlink dentro de la raíz en una ruta donde un paquete que se va a instalar próximamente escribirá. Cuando la víctima ejecuta posteriormente la descarga, la extracción trunca y sobreescribe el archivo de destino fuera de la raíz a través de dicho hardlink. Esta debilidad pertenece a la misma clase que el problema de hardlink previamente corregido en el descargador; sin embargo, dicha corrección no se aplicó al destino de escritura de extracción de paquetes, por lo que la última versión publicada sigue siendo vulnerable por esta vía.

Causa raíz

La corrección anterior añadió el rechazo ante st_nlink > 1 en las funciones auxiliares de apertura de archivos (nltk.pathsec.open / _hardened_open) y canalizó la escritura de archivos temporales del descargador a través de dicho mecanismo reforzado, de modo que los inodos con múltiples enlaces se rechazan en esas rutas. La rutina de escritura en la extracción nunca recibió esta comprobación. En las versiones publicadas, nltk.pathsec.ZipFile.extract valida los nombres de los miembros mediante validate_zip_archive y luego delega en el extractor de la biblioteca estándar, cuyo open(targetpath, "wb") básico abre y trunca un hardlink preexistente. La protección de contención validate_zip_archive depende de Path.resolve() y de comprobaciones de nombres; resolve() sigue enlaces simbólicos (rechazando correctamente miembros basados en symlinks), pero un hardlink cuenta con un nombre legítimo y una ruta resuelta dentro de la raíz, por lo que pasa la validación. Ninguna instrucción en la ruta de extracción ejecuta el fstat con st_nlink que realiza la función auxiliar de apertura.

Affected component: nltk.pathsec (archive extraction), driven by nltk.downloader
Released sink (<= 3.10.3): nltk/pathsec.py ZipFile.extract -> stdlib zipfile._extract_member -> open(targetpath, "wb")
Containment guard that fails open for hardlinks: nltk/pathsec.py validate_zip_archive (name checks + Path.resolve())
Development-branch sink: nltk/pathsec.py ZipFile._extract_member leaf reopen with O_WRONLY|O_TRUNC|O_NOFOLLOW (no st_nlink fstat)

Impacto

Un usuario local no privilegiado con permisos para crear archivos dentro de una raíz de datos en la que la instalación de NLTK de la víctima vaya a extraer paquetes puede forzar al proceso de la víctima a truncar y sobreescribir un archivo externo a dicha raíz. El atacante define qué archivo externo se destruye al seleccionar el destino del hardlink, lo que supone un impacto total en la integridad para la ruta elegida (destrucción arbitraria de archivos fuera de la raíz). Si la víctima obtiene los paquetes a través de un mirror o índice controlado por el atacante, los bytes sobreescritos también son definidos por el atacante, lo que potencialmente facilitaría el reemplazo selectivo de archivos y la posterior ejecución de código si la víctima procesa el archivo alterado; esta escalada es factible pero no se demostró aquí. La explotación práctica requiere que la protección de hardlinks del kernel (fs.protected_hardlinks) esté desactivada o que el archivo objetivo sea uno sobre el cual el atacante tenga permisos para crear hardlinks (siendo propietario, teniendo permisos de escritura o pertenencia de grupo compartida), condición idéntica a la del aviso previamente admitido para este tipo de fallo.

Prueba de concepto

Dependencies: a released nltk (3.10.3) installed from PyPI. The demonstration creates a data root, a victim file outside it, and a package archive whose member path is pre-planted as a hardlink to the victim file, then extracts through the security wrapper. It runs as a single user and succeeds even with fs.protected_hardlinks=1.

Pasos:

  1. Registre una raíz de datos con nltk.data.path y cree un subárbol de extracción dentro de ella.
  2. Cree un archivo de la víctima fuera de la raíz de datos.
  3. Coloque previamente un hardlink dentro de la raíz en la ruta de miembro que el archivo comprimido escribirá.
  4. Extraiga el archivo comprimido mediante nltk.pathsec.ZipFile.extract.
python
import os, sys, tempfile, zipfile
import nltk
import nltk.pathsec as ps

work = tempfile.mkdtemp()
data_root = os.path.join(work, "nltk_data")
extract_root = os.path.join(data_root, "corpora")
os.makedirs(os.path.join(extract_root, "pkgid"))
nltk.data.path.insert(0, data_root)

outside = os.path.join(work, "victim.txt")
open(outside, "w").write("ORIGINAL-VICTIM-CONTENT")

zippath = os.path.join(data_root, "pkg.zip")
with zipfile.ZipFile(zippath, "w") as z:
    z.writestr("pkgid/target", "PWNED-BY-EXTRACTION")

member_abs = os.path.join(extract_root, "pkgid/target")
os.link(outside, member_abs)  # pre-planted in-root hardlink

with ps.ZipFile(zippath, "r") as z:
    z.extract("pkgid/target", path=extract_root)

print("victim now:", open(outside).read())
victim now: PWNED-BY-EXTRACTION

La prueba equivalente empleando un symlink en lugar de un hardlink es rechazada por validate_zip_archive arrojando una infracción de seguridad (Security Violation), aislando la falta de validación específicamente a los enlaces duros durante la escritura de extracción.

Cadena de ataque

  1. Exposición: nltk.download() (y python -m nltk.downloader) es el punto de entrada predeterminado distribuido; la extracción de paquetes .zip en una raíz de datos es el comportamiento predeterminado y está al alcance de un actor local con capacidad de escritura en una raíz compartida o predecible.
  2. Control: El atacante controla el inodo objetivo colocando previamente un hardlink dentro de la raíz en <download_dir>/<subdir>/<pkg_id>/<member>, y (bajo un mirror influenciado) los bytes escritos; el nombre del miembro permanece como <pkg_id>/..., superando todas las comprobaciones de nombres.
  3. Ruta: La ruta de instalación no vacía el destino antes de la extracción (el árbol solo se elimina en caso de estado STALE, y esa limpieza desvincula nombres en lugar de truncar el inodo de la víctima), de modo que el hardlink colocado se mantiene hasta la escritura. El flujo pasa por la comprobación expected_root del descargador y _validate_member (que utiliza realpath, manteniendo el hardlink dentro de la raíz), y luego por validate_zip_archive (usando resolve()), hasta la escritura de extracción.
  4. Protección: Cada protección de la ruta inspecciona nombres o rutas resueltas; ninguna efectúa el fstat st_nlink > 1. resolve(), realpath() y O_NOFOLLOW fallan al detectar un hardlink porque este es un archivo regular estándar con un nombre legítimo dentro de la raíz.
  5. Primitiva: La escritura del miembro abre el hardlink preexistente y trunca y sobreescribe el inodo fuera de la raíz.
  6. Resultado: El archivo de la víctima seleccionado por el atacante queda destruido y reemplazado con los bytes del miembro extraído, cruzando desde la raíz de datos gestionada hacia el sistema de archivos general.

Evidencia de evasión

La remediación anterior para esta vulnerabilidad sirve como referencia canónica: introdujo rechazos por st_nlink > 1 en nltk.pathsec.open / _hardened_open y canalizó la escritura de archivos temporales del descargador a través de ese abridor. La nueva evidencia indica que el destino de escritura de la extracción nunca estuvo cubierto por esa solución. En el paquete compilado (wheel) publicado de 3.10.3 obtenido de PyPI, las únicas apariciones de st_nlink se encuentran dentro del asistente de apertura; ZipFile.extract valida nombres y luego invoca al extractor de la biblioteca estándar sin comprobación de st_nlink. Los intentos de refutar el hallazgo fracasaron:

  • Hipótesis de que el 3.10.3 publicado canaliza la extracción a través de una ruta asegurada o st_nlink: refutada inspeccionando el wheel distribuido (ZipFile.extract delega a la biblioteca estándar, no hay sobrescritura ni st_nlink en la ruta de extracción) y mediante reproducción dinámica (el hardlink sobreescribió el archivo externo; el symlink fue rechazado).
  • Hipótesis de que validate_zip_archive o _validate_member detectan el hardlink: refutada porque ambos usan resolve() / realpath(), que no revelan hardlinks; se reprodujo la asimetría entre symlink rechazado y hardlink sobreescrito.
  • Hipótesis de que el flujo de descarga limpia el destino antes de la extracción: refutada porque la limpieza solo se ejecuta con un estado STALE y desvincula mediante unlink de nombre, lo que no trunca el inodo objetivo.
  • Hipótesis de que O_NOFOLLOW / O_EXCL en la rama de desarrollo bloquean el ataque: refutada porque O_NOFOLLOW solo previene un symlink en el componente final y O_EXCL simplemente desvía a la rama de reapertura con truncamiento; ninguna ejecuta el fstat con st_nlink.
  • Hipótesis de que la protección de hardlinks del kernel invalida el problema: se mantuvo como un límite de gravedad y no como descalificador, ya que la misma condición aplicaba al aviso previo admitido para este tipo de vulnerabilidad.

Versiones afectadas

  • Ecosystem: pip
  • Package: nltk
  • Confirmed affected range: >= 3.9.4, <= 3.10.3
  • Latest release checked: 3.10.3 (PyPI, nltk-3.10.3-py3-none-any.whl)
  • Fix status: not fixed (latest published release is affected; no fixed version exists)

La última versión publicada (3.10.3) contiene la corrección del asistente de apertura para el problema relacionado en el descargador, pero sigue siendo vulnerable en el sumidero de extracción, por lo que el límite superior es la versión actual y no existe una versión corregida. Las versiones desde 3.9.4 hasta 3.10.2 carecen de protección st_nlink y siguen el hardlink a través de la misma ruta de extracción (confirmado mediante inspección del wheel); el límite inferior 3.9.4 es la primera versión que incorpora esta ruta de extracción con nltk.pathsec. La rama de desarrollo añade una sobreescritura de extracción reforzada que aún omite la verificación st_nlink, por lo que el mismo vector persiste allí bajo un símbolo de destino diferente; no debe inferirse una versión corregida a partir de dicho cambio en desarrollo.

Corrección sugerida

Hacer cumplir el invariante de que una escritura de extracción jamás debe incidir sobre un inodo con enlaces múltiples. Extender el rechazo st_nlink > 1 existente (tal como se implementó en el asistente de apertura reforzado) al descriptor de escritura de extracción: tras abrir o crear el objetivo final, ejecutar fstat sobre el descriptor y rechazar inodos con st_nlink > 1 antes de truncar o escribir. Aplicar esto tanto en la ruta de delegación publicada como en el reemplazo _extract_member de la rama de desarrollo, o alternativamente hacer que validate_zip_archive o el validador de miembros del descargador ejecuten fstat sobre cada objetivo existente y rechacen inodos con enlaces múltiples. Como mitigación temporal, los operadores deben asegurarse de que fs.protected_hardlinks=1 esté habilitado y evitar el uso de raíces de datos compartidas, con permisos de grupo o predecibles en cuentas que procesen descargas no confiables.

Reportado por zx (GitHub: @manus-pi).

Estado de la corrección (2026-09-28)

Estado: EN PROGRESO (solución en un pull request abierto, aún no integrada en develop).

PR: #3753 "[Do not merge yet] Fix GHSA-8mgp-746c-j5xp: URL-scheme bypass of pathsec.validate_path", abierto; commit head da55cab0e en el momento de esta nota (unión de develop sobre 238f81500, punto sobre el que se evaluaron los resultados a continuación).

Commit de corrección: cf12a5e6a (pathsec.ZipFile._extract_member resuelve los nombres de miembros en ZipInfo para que la ruta de extracción reforzada realmente se ejecute, rechaza objetivos con st_nlink mayor que 1 y sustituye mediante unlink más O_EXCL; el descargador añade una verificación previa con lstat).

Prueba: nltk/test/unit/security_probes/ghsa_wr3g_j6qj_xpgh.py (en el PR). Veredicto en el head del PR: CORREGIDO (el miembro objetivo con hardlink se rechaza con PermissionError). La misma prueba ejecutada en develop 2fa3f48fe: VULNERABLE (la extracción escribió a través del hardlink hacia el archivo secreto exterior).

Lanzamiento: ninguno.

Qué hacer

No se ha publicado una versión corregida oficial. Como mitigación provisional, asegúrese de que fs.protected_hardlinks=1 esté habilitado y evite emplear raíces de datos de NLTK compartidas, con permisos de escritura grupal o predecibles.

Software afectado

Haz clic en una tecnología para ver todas sus vulnerabilidades.

PlataformaPaqueteVersiones vulnerablesCorregida en
Python (PyPI) nltk >= 3.9.4, < 3.10.4 3.10.4

Referencias

Puntuación CVSS 7.1/10
Vector CVSS
CVSS:3.1/AV:L/AC:L/PR:L/UI:N/S:U/C:N/I:H/A:H
Debilidad (CWE)
CWE-59, CWE-73
Plataforma
Python (PyPI)
Paquete
nltk
Publicada
19.11.2026
Actualizado
22.11.2026 10:00

Fuentes y licencias · Editado o traducido por DockRay; se mantienen los derechos y las licencias de las fuentes.

OSV / GitHub Advisory Database - GHSA-wr3g-j6qj-xpgh - CC BY 4.0

Historial de vulnerabilidades: nltk

Todas las vulnerabilidades publicadas de este paquete (Python (PyPI)), de la más reciente a la más antigua. Muestra si es un fallo aislado o un paquete que hay que vigilar.

Todas (79) en el archivo
Entradas en total
79
Primera → última
08.2019 11.2026
Sin corrección
5
Explotada en ataques
0

Distribución por gravedad

  • Crítica 5
  • Alta 41
  • Media 31
  • Baja 2

Divulgaciones por año

  1. 2019: 1
  2. 2020: 0
  3. 2021: 2
  4. 2022: 1
  5. 2023: 0
  6. 2024: 1
  7. 2025: 0
  8. 2026: 74
Gravedad:
  1. NLTK: La extracción de paquetes ZIP sigue hardlinks internos y sobreescribe archivos fuera de la raíz de datos de NLTK esta entrada
    Alta · 7.1 CVE-2026-128135 >= 3.9.4, < 3.10.4 3.10.4
  2. Alta CVE-2026-79674 < 3.10.3 3.10.3
Mostrar más (20) Mostrando 20 de 46

Identifica las vulnerabilidades de tu aplicación

Con la integración de DockRay y el inventario de software activado, DockRay compara las versiones notificadas de los componentes con las vulnerabilidades conocidas y avisa de las coincidencias confirmadas. La cobertura depende de la tecnología compatible y de los avisos disponibles.

Conectar tu aplicación
Newsletter DockRay

La seguridad de tus aplicaciones en tu correo

Vulnerabilidades importantes, recomendaciones concretas y consejos prácticos para tus aplicaciones. Elige tus tecnologías y sigue lo que importa para tu proyecto.

  • Un resumen diario de nuevas vulnerabilidades, también las críticas.
  • Avisos sobre actualizaciones importantes.
  • Consejos prácticos sobre seguridad y monitorización de aplicaciones.

Déjalo vacío para recibir avisos de todas las tecnologías.

Suscripción gratuita. Date de baja con un clic en cualquier correo.