MLflow: Code-Injection (CVE-2026-116692)
Veröffentlicht Zuletzt geändert Quellen: OSV, EUVD, CVE.org, BSI, Hersteller
- Aktiv ausgenutzt
- Quelle: VulnCheck KEV (öffnet in neuem Tab) So stufen wir ein
Was ist betroffen, was ist zu tun
MLflow ist eine quelloffene AI-Engineering-Plattform für Agenten, große Sprachmodelle und maschinelle Lernmodelle. Von Version 3.12.0rc0 bis Version 3.17.0 ermöglicht die Deserialisierung von Drittanbieter-Scorern in mlflow/genai/scorers/base.py die Auswahl von Nachkommen von THIRD_PARTY_SCORER_ALLOWED_MODULES anstelle der Anforderung eines exakten erlaubten Moduls.
Die Schwachstelle wird aktiv ausgenutzt; behandeln Sie sie vorrangig. Aktualisieren Sie MLflow auf Version 3.17.0, mlflow auf Version 3.17.0.
- Betroffen
- MLflow
gte 3.12.0rc0, < 3.17.0..*
- MLflow
Unklar, ob und wie Sie betroffen sind? Frage zu dieser Schwachstelle stellen
Metriken
9,8
XIEM Effective CVSS
Höchste verfügbare CVSS-Bewertung aus NVD- und Herstellerangaben.
Quelle: Hersteller (CNA), CVSS v3
9,8
CVSS v3
Schweregrad Kritisch auf der Skala von 0 bis 10.
Quelle: OSV, EUVD, CVE.org, BSI, Hersteller
0,7 %
EPSS-Score
Niedrig – Modell schätzt < 1 % Ausnutzungs-Wahrscheinlichkeit.
Quelle: FIRST EPSS, Perzentil 53,9
Alle Metriken anzeigen
- Schweregrad
- Kritisch
Priorität (0–325)
Der Priorisierungs-Score ist eine zusammengeführte Kennzahl, die mehrere Einzelsignale zu einer einzigen, handlungsleitenden Rangfolge verdichtet: technische Schwere (CVSS), Ausnutzungswahrscheinlichkeit (EPSS), der Status als bekannt ausgenutzt (KEV) und der Kontext des betroffenen Assets. Ziel ist die Antwort auf die einzig wirklich wichtige Frage im Schwachstellenmanagement: Was zuerst?
Im Glossar lesen- 102.25 Methodik
Exploit-Reife
Ein Exploit ist Code oder eine Technik, die eine konkrete Schwachstelle gezielt ausnutzt, um ein unbeabsichtigtes Verhalten zu erzwingen — etwa Code auszuführen oder Rechte auszuweiten. Er ist das Werkzeug, das aus einer theoretischen Lücke einen praktischen Angriff macht.
Im Glossar lesen- aktiv ausgenutztQuelle: VulnCheck KEV (öffnet in neuem Tab) So stufen wir ein
XIEM Effective CVSS
XIEM® ist das gestufte Managed-Security-Betriebsmodell von NEOSEC und eine eingetragene Marke der NEOSEC GmbH. Es erweitert klassisches SIEM — die zentrale Sammlung, Normalisierung und Korrelation sicherheitsrelevanter Ereignisse — um Endpunkt-Forensik, Netzwerk-Sichtbarkeit und Täuschungstechnik und führt diese zu drei aufeinander aufbauenden Stufen zusammen: Sentry, Orchestrate und Command.
Im Glossar lesen- 9,8 Methodik
CVSS v3
CVSS ist der weltweit verbreitete, offene Standard zur Bewertung der technischen Schwere einer Schwachstelle auf einer Skala von 0 bis 10. Er beschreibt, wie leicht eine Lücke ausnutzbar ist und welchen Schaden sie anrichten kann — nicht jedoch, wie wahrscheinlich ihre tatsächliche Ausnutzung ist. CVSS und das ergänzende EPSS beantworten bewusst unterschiedliche Fragen.
Im Glossar lesen- 9,8
EPSS-Score
Der EPSS-Score ist der absolute Modell-Output für eine einzelne Schwachstelle: die geschätzte Wahrscheinlichkeit einer realen Ausnutzung in den nächsten 30 Tagen, ausgedrückt als Wert zwischen 0 und 1 (bzw. 0 % bis 100 %). Ein Score von 0,42 bedeutet „das Modell schätzt eine 42-prozentige Chance auf reale Ausnutzung binnen 30 Tagen“.
Im Glossar lesen- 0,7 %
- Niedrig – Modell schätzt < 1 % Ausnutzungs-Wahrscheinlichkeit.
EPSS-Perzentil
Das EPSS-Perzentil ist die relative Einordnung einer Schwachstelle innerhalb aller EPSS-bewerteten CVEs, ausgedrückt als Wert zwischen 0 und 1. Ein Perzentil von 0,90 bedeutet „diese CVE hat einen höheren EPSS-Score als 90 % aller anderen bewerteten CVEs“. Anders als der EPSS-Score ist es keine Wahrscheinlichkeit — sondern eine Positionierung im Ranking.
Im Glossar lesen- 53,9
- Hoch – CVE rangiert über dem Median aller heute bewerteten CVEs (Rang ≥ 36 %).
KEV-Status
Der KEV-Katalog ist eine von der US-Behörde CISA gepflegte Liste von Schwachstellen, für die eine aktive Ausnutzung in der Praxis nachgewiesen ist. Er beantwortet nicht die Frage „wie schwer?“, sondern „wird es bereits angegriffen?“ — und priorisiert damit das Patchen scharf.
Im Glossar lesen- —
- Veröffentlicht
- CISA-Bewertung (SSVC)
- Ausnutzung: Proof of Concept · automatisierbar · Auswirkung: vollständig
- Quelle: CISA Vulnrichment, Stand 2. November 2026
CWE
CWE ist ein Katalog typischer Schwächen-Arten in Software und Hardware — etwa fehlerhafte Eingabevalidierung, unsichere Speicherbehandlung oder mangelhafte Authentisierung. Während eine CVE eine konkrete Schwachstelle in einem konkreten Produkt benennt, beschreibt eine CWE die zugrunde liegende Fehlerklasse.
Im Glossar lesen- CWE-94, CWE-470
Erkennungsregeln
Für diese Schwachstelle liegt noch keine NEOSEC-Erkennungsregel vor.
Einordnung nach NIS2 und CRA
Regelbasierte Einordnung aus Ausnutzungsstatus und Schweregrad. Sie ersetzt keine Prüfung im Einzelfall.
NIS2
NIS2 ist die EU-Richtlinie (EU) 2022/2555 zur Erhöhung des Cybersicherheitsniveaus in der Union. Sie weitet Pflichten gegenüber der ersten NIS-Richtlinie deutlich aus: mehr Sektoren, verbindliches Risikomanagement, gestufte Meldepflichten und persönliche Verantwortung der Geschäftsleitung.
Im Glossar lesen- Aktiv ausgenutzt: Behandeln Sie die Schwachstelle im Schwachstellenmanagement nach Art. 21 Abs. 2 lit. e NIS2 vorrangig. Wird sie in Ihrer Umgebung ausgenutzt, prüfen Sie die Meldepflicht nach Art. 23 (Frühwarnung binnen 24 Stunden).
CRA
Der CRA ist die EU-Verordnung (EU) 2024/2847 mit horizontalen Cybersicherheitsanforderungen an „Produkte mit digitalen Elementen“ — von Industriesteuerungen über Software bis zu vernetzten Verbrauchergeräten. Erstmals müssen Hersteller Sicherheit über den gesamten Produktlebenszyklus gewährleisten, Schwachstellen behandeln und Sicherheitsupdates bereitstellen.
Im Glossar lesen- Seit dem 11.09.2026 müssen Hersteller betroffener Produkte mit digitalen Elementen aktiv ausgenutzte Schwachstellen nach Art. 14 CRA melden, mit Frühwarnung binnen 24 Stunden über die zentrale Meldeplattform der ENISA.
ISO/IEC 27001
ISO/IEC 27001 ist der international führende Standard für ein Informationssicherheits-Managementsystem (ISMS). Er beschreibt einen risikobasierten, prozessorientierten Rahmen, um Informationssicherheit systematisch zu planen, umzusetzen, zu überprüfen und zu verbessern.
Im Glossar lesen- Maßnahme A.8.8, Management technischer Schwachstellen: Relevanz für Ihre Systeme bewerten, Behebung einplanen und nachweisen.
Beschreibung
MLflow ist eine quelloffene AI-Engineering-Plattform für Agenten, große Sprachmodelle und maschinelle Lernmodelle. Von Version 3.12.0rc0 bis Version 3.17.0 ermöglicht die Deserialisierung von Drittanbieter-Scorern in mlflow/genai/scorers/base.py die Auswahl von Nachkommen von THIRD_PARTY_SCORER_ALLOWED_MODULES anstelle der Anforderung eines exakten erlaubten Moduls. Ein Aufrufer kann MLflow-Artefakt-Endpunkte verwenden, um ein Python-Modul unter einem schreibbaren erlaubten Paket zu platzieren und sein Modul und seine Klasse über /ajax-api/3.0/mlflow/scorer/invoke. Scorer.model_validate_json() zu übermitteln. Dieses Modul wird importiert und die Klasse wird vor der Verarbeitung des Traces konstruiert. Bereitstellungen ohne Authentifizierung ermöglichen diese Code-Ausführung ohne Anmeldedaten, während Bereitstellungen mit Basis-Authentifizierung einen Prinzipal erfordern, der in der Lage ist, ein Experiment und eine Ausführung zu erstellen und Artefakte hochzuladen. In beiden Konfigurationen muss das erlaubte Scorer-Paket vom Serverprozess beschreibbar sein. Dieses Problem wird in Version 3.17.0 behoben.
Quelle: OSV (Open Source Vulnerabilities), ENISA EUVD, cvelistv5, NVD (NIST), BSI CSAF, BSI WID Portal, GitHub Security Advisories
Betroffene Produkte
Betroffen sind die folgenden Versionen. Ältere Stände derselben Reihe sind ebenfalls verwundbar, sofern nicht anders angegeben.
| Betroffene Versionen | Behoben in | ||
|---|---|---|---|
| mlflow | mlflow |
|
|
| Open Source | MLflow |
|
|
| pip | mlflow |
|
|
| pypi | mlflow |
|
|
Distributions- und Container-Pakete (1)
Nachgelagerte Pakete (z. B. Bitnami, Debian, Ubuntu, Red Hat). Die Versionen beziehen sich auf die Distribution, nicht auf den Hersteller.
| Betroffene Versionen | Behoben in | ||
|---|---|---|---|
| bitnami | mlflow |
|
|
Behoben in gehärteten Container-Images
Anbieter gehärteter Images liefern eigene Builds mit Fix aus, oft vor der Distribution. Das betrifft Sie nur, wenn Sie diese Images einsetzen.
| Behoben in | |||
|---|---|---|---|
| Chainguard | Chainguard | nemo-gym |
|
| Chainguard | Chainguard | nemo-rl-cuda-13.0 |
|
| Chainguard | Chainguard | nemo-rl-cuda-13.0-automodel |
|
| Chainguard | Chainguard | nemo-rl-cuda-13.0-mcore |
|
| Chainguard | Chainguard | nemo-rl-cuda-13.0-sglang |
|
| Chainguard | Chainguard | nemo-rl-cuda-13.0-vllm |
|
Quelle: OSV.dev, Lizenz CC BY 4.0.
Hersteller und Produkte
Weakness-Klassen (CWE)
CWE-94Improper Control of Generation of Code ('Code Injection')
Base
The product constructs all or part of a code segment using externally-influenced input from an upstream component, but it does not neutralize or incorrectly neutralizes special elements that could modify the syntax or behavior of the intended code segment.
Eintrag bei MITRE CWE-94CWE-470Use of Externally-Controlled Input to Select Classes or Code ('Unsafe Reflection')
Base
The product uses external input with reflection to select which classes or code to use, but it does not sufficiently prevent the input from selecting improper classes or code.
Eintrag bei MITRE CWE-470
Quellen & Referenzen
- github.commlflow/mlflow/commit/a732443e695c3c677680c54320efc394c81654abx_refsource_MISC, web, euvd
- github.commlflow/mlflow/pull/25906x_refsource_MISC, web, euvd
- github.commlflow/mlflow/releases/tag/v3.17.0x_refsource_MISC, web, euvd
- github.commlflow/mlflow/security/advisories/GHSA-26p8-2jq9-3vq9x_refsource_CONFIRM, web, euvd
- github.commlflow/mlflowpackage
- NVD (NIST)vuln/detail/CVE-2026-116692web
Änderungen an der CVE
Wer diese CVE wann geändert hat: die NVD (Analyse, betroffene Produkte, CVSS), der Herausgeber der CVE (CNA) und ergänzende Stellen wie CISA (ADP).
Eintrag geändertCISA ADP
CISA-Einschätzung (SSVC): Ausnutzung: Proof of Concept, automatisierbar: ja
Einzeländerung im Original anzeigen
Einzeländerungen dieses Ereignisses im Original der NVD Art Aktion Vorher Nachher SSVC-Einschätzung ergänzt —{"id":"CVE-2026-116692","role":"CISA Coordinator","options":[{"exploitation":"poc"},{"automatable":"yes"},{"technicalImpact":"total"}],"version":"2.0.3","timestamp":"2026-11-02T19:42:14.970868Z"}Kennung der Quelle: 134c704f-9b21-4f2e-91b3-4a467353bcc0
Neu erfasstGitHub
CVSS V3.1: AV:N/AC:L/PR:N/UI:N/S:U/C:H/I:H/A:H
Schwachstellentyp: CWE-94, CWE-470
Beschreibung erfasst oder geändert
9 Einzeländerungen im Original anzeigen
Einzeländerungen dieses Ereignisses im Original der NVD Art Aktion Vorher Nachher Beschreibung ergänzt —MLflow is an open source AI engineering platform for agents, large language models, and machine learning models. From 3.12.0rc0 until 3.17.0, third-party scorer deserialization in mlflow/genai/scorers/base.py accepts request-selected descendants of THIRD_PARTY_SCORER_ALLOWED_MODULES rather than requiring an exact allowed module. A caller can use MLflow artifact endpoints to place a Python module beneath a writable allowed package and submit its module and class through /ajax-api/3.0/mlflow/scorer/invoke. Scorer.model_validate_json() imports the module and constructs the class before trace processing. Authentication-disabled deployments permit this code execution without credentials, while basic-auth deployments require a principal capable of creating an experiment and run and uploading artifacts. In either configuration, the allowed scorer package must be writable by the server process. This issue is fixed in version 3.17.0.CVSS ergänzt —AV:N/AC:L/PR:N/UI:N/S:U/C:H/I:H/A:HSchwachstellentyp (CWE) ergänzt —CWE-94Schwachstellentyp (CWE) ergänzt —CWE-470Betroffene Versionen (Herausgeber) ergänzt —New affected value received. <a href="https://github.com/CVEProject/cvelistV5/blob/main/cves/2026/116xxx/CVE-2026-116692.json">CVE-2026-116692</a>Referenz ergänzt —https://github.com/mlflow/mlflow/commit/a732443e695c3c677680c54320efc394c81654abReferenz ergänzt —https://github.com/mlflow/mlflow/pull/25906Referenz ergänzt —https://github.com/mlflow/mlflow/releases/tag/v3.17.0Referenz ergänzt —https://github.com/mlflow/mlflow/security/advisories/GHSA-26p8-2jq9-3vq9Kennung der Quelle: security-advisories@github.com
Badge einbetten
Zeigen Sie Schweregrad und KEV-Status dieser Schwachstelle auf Ihrer Seite – mit Link hierher. Das Bild wird stündlich aktualisiert.
<a href="https://intel.neosec.eu/cve/CVE-2026-116692"><img src="https://intel.neosec.eu/badge/cve/CVE-2026-116692.svg" alt="CVE-2026-116692 – NEOSEC Intel" height="20"></a>