llama_index DuckDBVectorStore SQL注入(CVE-2025-1750)
漏洞描述该漏洞是 LlamaIndex DuckDBVectorStore 组件中的一个 SQL 注入漏洞。它存在于该组件的 delete 函数中。攻击者可以通过精心构造并传递恶意的 ref_doc_id 参数来利用此漏洞。可以利用此漏洞将允许攻击者在运行 LlamaIndex 应用的服务器上执行恶意的 SQL 命令。包括读取服务器上的任意文件、写入任意文件,甚至可以升级至远程代码执行 (RCE)
漏洞描述
该漏洞是 LlamaIndex DuckDBVectorStore 组件中的一个 SQL 注入漏洞。它存在于该组件的 delete 函数中。攻击者可以通过精心构造并传递恶意的 ref_doc_id 参数来利用此漏洞。可以利用此漏洞将允许攻击者在运行 LlamaIndex 应用的服务器上执行恶意的 SQL 命令。包括读取服务器上的任意文件、写入任意文件,甚至可以升级至远程代码执行 (RCE)。该漏洞的严重性被评为Critical,CVSS 评分为 9.8
影响版本
LlamaIndex 版本 v0.12.19 以及在此之前的一系列版本均受到此漏洞的影响
环境搭建
装几个库就行了
pip install llama-index-vector-stores-duckdb
pip install llama-index-core
pip install llama-index-llms-openai
pip install llama-index-llms-replicate
pip install llama-index-embeddings-huggingfacefrom flask import Flask, request, jsonify, render_template
import os
import numpy as np
from llama_index.vector_stores.duckdb import DuckDBVectorStore
from llama_index.core.schema import TextNode
app = Flask(__name__)
persist_dir = "./persist"
os.makedirs(persist_dir, exist_ok=True)
vector_store = DuckDBVectorStore("chatbot.duckdb", persist_dir=persist_dir, recreate_table=True)
def add_document(doc_id, text, category):
embedding = np.random.rand(1536).tolist()
text_node = TextNode(id_=doc_id, text=text, embedding=embedding, metadata={"category": category})
vector_store.add([text_node])
add_document("doc_1", "Machine learning is amazing!", "AI")
add_document("doc_2", "Deep learning improves natural language processing.", "NLP")
add_document("doc_3", "DuckDB is great for handling large datasets.", "Database")
@app.route('/delete', methods=['POST'])
def ask():
data = request.get_json()
doc_id = data.get('doc_id')
vector_store.delete(ref_doc_id=doc_id)
return jsonify({'message': "ok"})
if __name__ == '__main__':
app.run(port=7000)vector_store.delete(ref_doc_id=doc_id): 这是漏洞触发点,它调用 DuckDBVectorStore 的 delete 方法,并传入从用户请求中获取的 doc_id 作为 ref_doc_id 参数。
漏洞分析
_ddb_query = f"""...""":这是一个 Python f-string (格式化字符串字面量)。f-string 允许通过在字符串中嵌入用花括号{}包围的表达式来创建字符串。这些表达式在运行时会被它们的值替换。所以传入参数使用的是json格式json_extract_string(metadata_, '$.ref_doc_id') = '{ref_doc_id}': 这是漏洞的关键,它将前面提取的ref_doc_id值与'{ref_doc_id}'进行比较。{ref_doc_id}是 f-string 中的另一个占位符。它会被delete方法接收到的ref_doc_id参数的实际值直接替换到 SQL 查询字符串中。由于它是直接拼接的,攻击者可以闭合这个单引号并注入额外的 SQL 命令。
漏洞复现
这里以写入文件内容为例,我向D盘1.txt文件写入111字符串
漏洞修复
修复代码:
查询字符串中的占位符
?:在 SQL 查询语句中,原来直接插入 ref_doc_id 变量的位置被替换成了一个占位符,将用户输入作为独立参数传递:ref_doc_id 的值不再直接嵌入到 SQL 查询字符串本身。
为什么这种方式能修复漏洞:
- 自动处理特殊字符: 当
ref_doc_id作为参数传递时,数据库驱动程序会负责对其进行适当的处理(例如,转义特殊字符,如单引号'、分号;等,或者根据其预期类型进行检查)。这意味着即使用户输入包含 SQL 特殊字符,这些字符也会被当作普通数据处理,而不会被解释为 SQL 命令的一部分。 - 预编译: 很多数据库系统会对参数化查询的 SQL 命令结构部分进行预编译。之后,每次执行时只是替换占位符的值。这不仅提高了效率,也从根本上防止了注入,因为SQL的结构已经固定,用户输入只能填充指定的数据槽位。
该漏洞存在于LlamaIndex的DuckDBVectorStore组件delete函数中,攻击者可通过恶意ref_doc_id参数执行SQL注入,导致文件读写甚至远程代码执行,CVSS评分9.8。
由 AI 根据全文自动生成,仅供参考,以原文为准