Anmelden
Deutsch English Español Polski
Mittel

vLLM: Processing differential in multi-channel audio downmixing enables hidden-input/moderation bypass for audio models

  • Veröffentlicht: 02.04.2026
  • Aktualisiert: 11.10.2026 14:18

Issue Description

Librosa defaults to using numpy.mean for mono downmixing (to_mono), while the international standard ITU-R BS.775-4 specifies a weighted downmixing algorithm. This discrepancy results in:

  • Inconsistency between audio heard by humans (e.g., through headphones/regular speakers) and audio processed by AI models (Which infra via Librosa, such as vllm, transformer).

https://github.com/librosa/librosa/blob/af8c839fb15317fa2712ea66e7a22da6a9267b32/librosa/core/audio.py#L478

Attack Scenario and Impact

LFE (Low-Frequency Effects) Channel Exploit

Attackers can craft special multichannel audio files containing:

  1. Normal content in front channels (L/R)
  2. Either interference signals or hidden content in the LFE channel

Notice: It is worth noting that not only the LFE channel is excluded, but in fact, channels beyond the 6th (such as rear surround channels, overhead channels, height speakers, etc.) are also not supported.

Attack Methodology:

Attackers can create specially engineered multichannel audio with LFE interference, where front channels (L/R) contain normal content while the LFE channel carries interference signals or hidden content. When played on consumer devices that ignore LFE channels, only the normal content is heard. However, when processed by AI systems using Librosa (which mixes all channels), the LFE interference affects speech recognition feature extraction or masks critical detection features. This enables malicious content to bypass AI detection while still reaching end users, potentially compromising voice authentication systems, evading content moderation, or disrupting speech recognition accuracy.

Potential Exploitation Scenarios:

  • Voice authentication systems may be tricked into accepting anomalous audio
  • Content moderation systems may fail to detect prohibited content hidden in LFE channels
  • Speech recognition systems may produce incorrect transcriptions

Note: torch.audio implements this correctly. Failure to do so may lead to inconsistencies between training and test audio, resulting in performance degradation.

Resources

Fixes

Betroffene Software

Klicken Sie auf eine Technologie, um alle zugehörigen Schwachstellen anzuzeigen.

PlattformPaketAnfällige VersionenBehoben in
Python (PyPI) vllm >= 0.5.5, < 0.18.0 0.18.0

Verweise

CVSS-Wert 5.9/10
CVSS-Vektor
CVSS:3.1/AV:N/AC:H/PR:L/UI:N/S:U/C:N/I:H/A:L
Schwäche (CWE)
CWE-20
Plattform
Python (PyPI)
Paket
vllm
Veröffentlicht
02.04.2026
Aktualisiert
11.10.2026 14:18

Quellen und Lizenzen

OSV / GitHub Advisory Database - PYSEC-2026-2299 - PyPA Advisory Database; CC BY 4.0

OSV / GitHub Advisory Database - GHSA-6c4r-fmh3-7rh8 - CC BY 4.0

Schwachstellenhistorie: vllm

Alle veröffentlichten Schwachstellen dieses Pakets (Python (PyPI)), neueste zuerst. Zeigt, ob es ein einmaliger Ausrutscher ist oder ein Paket, das man im Auge behalten muss.

Alle (94) im Archiv
Einträge insgesamt
94
Erste → letzte
09.2024 10.2026
Ohne Fix
5
In Angriffen ausgenutzt
0

Verteilung nach Schweregrad

  • Kritisch 9
  • Hoch 23
  • Mittel 47
  • Niedrig 4
  • Nicht bewertet 11

Veröffentlichungen pro Jahr

Schweregrad:
  1. A flaw has been found in vllm-project vLLM up to 0.26.0. This vulnerability affects unknown code of the file rust/src/parser/src/unified/gemma4.rs of the component Gemma4UnifiedParser. Executing a man
    Hoch · 7.5 CVE-2026-103241 < 0.27.0 0.27.0
  2. vLLM versions 0.22.0 through 0.23.0 fail to validate stop_token_ids against vocabulary bounds in Rust HTTP and gRPC frontends, allowing out-of-vocabulary token IDs to reach MinTokensLogitsProcessor. A
    Hoch · 7.5 CVE-2026-100652 >= 0.22.0, < 0.24.0 0.24.0
  3. vLLM has Remote DoS via Invalid Recovered Token Reinjection
    Hoch · 7.5 CVE-2026-54234 >= 0.17.1, < 0.24.0 0.24.0
  4. vLLM: ReDoS via structured_outputs.regex compiled without timeout in xgrammar and outlines backends
    Hoch · 7.5 CVE-2026-55574 < 0.24.0 0.24.0
  5. vLLM denial of service via prompt embeds on M-RoPE models
    Hoch CVE-2026-55514 >= 0.12.0, < 0.24.0 0.24.0
  6. vLLM is an inference and serving engine for large language models (LLMs). Prior to 0.22.1, the vLLM Dockerfile is vulnerable to a dependency confusion attack through the flashinfer-jit-cache package.
    Hoch · 8.8 CVE-2026-54232 < 0.22.1 0.22.1
  7. vLLM: OpenAI auth bypass
    Kritisch · 9.1 CVE-2026-48746 >= 0.3.0, < 0.22.0 0.22.0
  8. vLLM: Security Check Bypass via assert Statement in Activation Function Loading Allows Arbitrary Code Execution
    Hoch · 7.5 CVE-2026-41523 < 0.22.0 0.22.0
  9. vLLM versions 0.8.0 and later are vulnerable to an Out-of-Memory (OOM) Denial of Service (DoS) attack due to unbounded frame count processing in the `VideoMediaIO.load_base64()` method. When processin
    Hoch · 7.5 CVE-2026-5497 >= 0.8.0, < 0.19.0 0.19.0
  10. vLLM: Processing differential in multi-channel audio downmixing enables hidden-input/moderation bypass for audio models dieser Eintrag
    Mittel · 5.9 CVE-2026-34760 >= 0.5.5, < 0.18.0 0.18.0
  11. vLLM has Hardcoded Trust Override in Model Files Enables RCE Despite Explicit User Opt-Out
    Hoch · 8.8 CVE-2026-27893 >= 0.10.1, < 0.18.0 0.18.0
  12. vLLM has RCE In Video Processing
    Kritisch · 9.8 CVE-2026-22778 >= 0.8.3, < 0.14.1 0.14.1
  13. vLLM vulnerable to Server-Side Request Forgery (SSRF) through MediaConnector
    Hoch · 7.1 CVE-2026-24779 < 0.14.1 0.14.1
  14. vLLM affected by RCE via auto_map dynamic module loading during model initialization
    Hoch · 8.8 CVE-2026-22807 >= 0.10.1, < 0.14.0 0.14.0
  15. vLLM introduced enhanced protection for CVE-2025-62164
    Hoch · 8.8 CVE-2026-56340 >= 0.10.2, < 0.13.0 0.13.0
  16. vLLM vulnerable to remote code execution via transformers_utils/get_config
    Hoch · 7.1 CVE-2025-66448 < 0.11.1 0.11.1
  17. vLLM vulnerable to DoS with incorrect shape of multimodal embedding inputs
    Hoch · 6.5 CVE-2025-62372 >= 0.5.5, < 0.11.1 0.11.1
  18. vLLM deserialization vulnerability leading to DoS and potential RCE
    Hoch · 8.8 CVE-2025-62164 >= 0.10.2, < 0.11.1 0.11.1
  19. vLLM is vulnerable to Server-Side Request Forgery (SSRF) through `MediaConnector` class
    Hoch · 7.1 CVE-2025-6242 >= 0.5.0, < 0.11.0 0.11.0
  20. vLLM is vulnerable to timing attack at bearer auth
    Hoch · 7.5 CVE-2025-59425 < 0.11.0 0.11.0
  21. vLLM has remote code execution vulnerability in the tool call parser for Qwen3-Coder
    Hoch · 8.8 CVE-2025-9141 >= 0.10.0, < 0.10.1.1 0.10.1.1
  22. vllm API endpoints vulnerable to Denial of Service Attacks
    Hoch · 7.5 CVE-2025-48956 >= 0.1.0, < 0.10.1.1 0.10.1.1
  23. vLLM Allows Remote Code Execution via PyNcclPipe Communication Service
    Kritisch · 9.8 CVE-2025-47277 >= 0.6.5, < 0.8.5 0.8.5
  24. Remote Code Execution Vulnerability in vLLM Multi-Node Cluster Configuration
    Hoch · 8.0 CVE-2025-30165 >= 0.5.2, < 0.10.0 0.10.0
  25. vLLM Vulnerable to Remote Code Execution via Mooncake Integration
    Kritisch · 10.0 CVE-2025-32444 >= 0.6.5, < 0.8.5 0.8.5
  26. Data exposure via ZeroMQ on multi-node vLLM deployment
    Hoch · 7.5 CVE-2025-30202 >= 0.5.2, < 0.8.5 0.8.5
  27. CVE-2025-24357 Malicious model remote code execution fix bypass with PyTorch < 2.6.0
    Kritisch · 9.8 ghsa-ggpf-24jw-3fcw < 0.8.0 0.8.0
  28. vLLM deserialization vulnerability in vllm.distributed.GroupCoordinator.recv_object
    Kritisch · 9.8 CVE-2024-9052 <= 0.8.1 keine Korrektur
  29. vLLM Deserialization of Untrusted Data vulnerability
    Kritisch · 9.8 CVE-2024-11041 <= 0.6.2 keine Korrektur
  30. vLLM allows Remote Code Execution by Pickle Deserialization via AsyncEngineRPCServer() RPC server entrypoints
    Kritisch · 9.8 CVE-2024-9053 <= 0.6.0 keine Korrektur
  31. vLLM Allows Remote Code Execution via Mooncake Integration
    Kritisch · 9.0 CVE-2025-29783 >= 0.6.5, < 0.8.0 0.8.0
  32. vllm: Malicious model to RCE by torch.load in hf_model_weights_iterator
    Hoch · 7.5 CVE-2025-24357 < 0.7.0 0.7.0
  33. vLLM denial of service vulnerability
    Hoch · 7.5 CVE-2024-8768 < 0.5.5 0.5.5

Erkennen Sie Schwachstellen in Ihrer Anwendung

Mit der DockRay-Integration und aktivierter Softwareinventarisierung prüft DockRay gemeldete Komponentenversionen auf bekannte Schwachstellen und benachrichtigt Sie über bestätigte Treffer. Die Abdeckung hängt von der unterstützten Technologie und den verfügbaren Meldungen ab.

Anwendung verbinden
DockRay Newsletter

Anwendungssicherheit in Ihrem Postfach

Wichtige Schwachstellen, konkrete Empfehlungen und praktische Tipps für Ihre Anwendungen. Wählen Sie Ihre Technologien und verfolgen Sie, was für Ihr Projekt relevant ist.

  • Eine tägliche Zusammenfassung neuer Schwachstellen, auch kritischer.
  • Benachrichtigungen über wichtige Updates.
  • Praktische Tipps zur Sicherheit und Überwachung von Anwendungen.

Leer lassen, um Meldungen zu allen Technologien zu erhalten.

Datenschutzerklärung

Kostenlos anmelden. In jeder E-Mail mit einem Klick abmelden.