【ITニュース解説】18,020 MLflow Matches Put Experiment Tracking in the Exposure Review
2026年10月28日に「Dev.to」が公開したITニュース「18,020 MLflow Matches Put Experiment Tracking in the Exposure Review」について初心者にもわかりやすく解説しています。
ITニュース概要
MLflowトラッキングサーバーのバージョン3.10.0~3.16.1に、サーバー内のファイルを不正に読み取られる脆弱性が見つかった。修正版は3.17.0。認証がなくても影響を受ける可能性があるため、早急にバージョンアップし、サーバーの認証設定やアクセス権限、ファイルシステムへのアクセス範囲を確認し、セキュリティ対策を強化する必要がある。
ITニュース解説
MLflowは、データサイエンティストや機械学習エンジニアが、モデルの実験や開発プロセスを効率的に管理するための強力なオープンソースツールだ。機械学習モデルを開発する際、どのようなデータを使って、どのような設定で、どれくらいの性能が出たか、といった情報を記録し、複数の実験結果を比較検討できる「実験追跡(Experiment Tracking)」機能がその中心にある。チームで共同作業を行う際に、各自が行った実験結果や作成したモデル、それに関連するデータ(アーティファクトと呼ばれる)を共有・管理できるため、開発の効率化と再現性の確保に貢献する。
しかし、この便利なMLflowサーバーに、特定の条件下で深刻なセキュリティ上の弱点、すなわち「脆弱性」が存在することが明らかになった。ニュース記事では、インターネット上に公開されているMLflowサーバーが18,020件検出され、これらのサーバーがこの脆弱性の影響を受ける可能性があると報告されている。この発見は、システムやアプリケーションのセキュリティを確保するために、普段からどのような点に注意すべきかを教えてくれる。
今回発見された脆弱性(CVE-2026-116690)は、MLflowの特定のバージョン(3.10.0から3.16.1まで)に存在する「パス検証の不備」というものだ。これは、簡単に言えば、モデルを登録する際に、モデルのソース(どこからモデルのファイルを取ってくるか)として、本来想定されていない「サーバーのローカルファイルシステム上のパス」を、あたかも正しいかのように指定できてしまうという問題だ。この不備を悪用すると、攻撃者はMLflowサーバーが動いているコンピューター上の任意のファイルを読み取ることができてしまう。
この脆弱性の深刻な点は、MLflowサーバーの認証設定によって影響範囲が変わる点にある。デフォルト設定のMLflowサーバーは、認証なしで誰でもアクセスできる状態にあることが多い。このようなサーバーの場合、インターネット上のどこからでも認証なしにこの脆弱性を悪用され、サーバー上の機密情報(設定ファイル、データベースの資格情報、その他重要なデータなど)が読み取られてしまう危険性がある。もしMLflowサーバーに基本認証が設定されていたとしても、正規のユーザーであっても、モデルを登録できる権限を持つユーザーであれば、同じ手口で悪用できる可能性がある。つまり、悪意を持つユーザーや、アカウントを乗っ取られたユーザーが悪用することで、情報漏洩につながるリスクがあるのだ。修正されたバージョンは3.17.0だ。
この脆弱性から身を守るためには、いくつかの重要な対策を講じる必要がある。 まず最も直接的な対策は、MLflowを修正版のバージョン3.17.0以降にすぐにアップデートすることだ。これにより、パス検証の不備は解消される。しかし、単にアップデートするだけでなく、そのサーバーが実際に新しいバージョンで稼働しているかを内部から確認し、脆弱性が修正されたことをテストで検証することが重要だ。
次に、組織内で稼働しているすべてのMLflowサーバーを正確に特定し、その設定状況を詳細に把握することが求められる。ユーザーが普段使っているUI(ユーザーインターフェース)だけでなく、DNS設定、リバースプロキシ、Kubernetesのイングレスルール、ノートブックの設定、CI/CD環境変数など、サーバーがどこで、どのように動いているかを徹底的に洗い出す必要がある。中には、研究目的で外部に公開されていても、機密情報へのアクセス権限を持つサーバーがあるかもしれないからだ。
サーバーが見つかったら、それぞれのサーバーが「どのような権限で動作しているか」(プロセスアカウント)、どんな秘密情報(マウントされたシークレット)にアクセスできるか、モデルのデータなどを保存する場所(アーティファクトストア)にどのような権限が設定されているか、そして認証モードがどうなっているか(認証なし、基本認証など)を記録する必要がある。もしサーバーがクラウド上のオブジェクトストレージからデータを読み取る場合、その資格情報が他の重要なバケットにもアクセスできるかどうかも確認が必要だ。Kubernetes環境であれば、サービスアカウントやマウントされているボリュームの設定も確認すべきだ。この脆弱性はファイルの読み取りを可能にするため、サーバーが「何を見られるか」が被害の大きさに直結する。
さらに、過去のログを調査することも不可欠だ。不審な「プロンプト」タグが付与されたモデルバージョンや、ローカルパスに似たソース値を持つモデルバージョンが作成されていないかを確認し、それらの記録と、実際にデータが取得された「アーティファクト取得リクエスト」、利用された認証情報、アクセス時刻を照合する。もしサーバーが認証なしで運用されていたなら、外部からのアクセスが許可されていたかどうか、そして見覚えのないモデルバージョンが登録されていないかを確認する。基本認証が設定されていた場合は、誰がモデルを作成できたのか、低い権限のアカウントが悪用されていないかを調査する。サーバープロセスが読み取れた可能性のある機密情報(認証情報など)はすぐに変更し、それらの情報がクラウドサービスなどで不正に使用されていないか、関連するログを確認することも重要だ。
今後のセキュリティ対策として、モデルレジストリに登録されるモデルの出所を厳しく管理する仕組みを導入することも推奨される。信頼できるソースからのアーティファクト参照のみを受け入れるようにし、モデルやアーティファクトへのアクセスには必ず認証と認可を強制し、誰がいつどこからアクセスしたかを詳細にログに記録するべきだ。また、MLflowサーバーは必要最小限のアーティファクトと設定しか読み取れない専用のアカウントで実行する「最小権限の原則」を徹底する。
たとえチーム内で使う「内部ネットワーク」だと思われていても、トラッキングAPIには認証されたゲートウェイを介してのみアクセスできるように設定するべきだ。今回の18,020件の検出数は、MLflowが非常に広く利用されていることを示しており、組織の資産として適切なインベントリ管理(どんなMLflowサーバーがあり、誰が管理し、何にアクセスできるか、誰がモデルを登録できるかなどを把握すること)が不可欠であることを示唆している。
最後に、今回ZoomEyeによって検出されたMLflowサーバーが直ちに「侵害された」と判断できるわけではないという点も理解しておくべきだ。検出は、単に「ここに調査すべきMLflowサーバーが存在する」という手がかりを与えるに過ぎない。実際のインシデントの証拠は、サーバー自身のログやバージョン情報、ファイルシステムへのアクセス記録から慎重に判断する必要がある。日頃からシステムのセキュリティを意識し、常に最新の対策を講じることが、情報システムを守る上で非常に重要となる。