Alta

NLTK: Denegación de servicio de CPU en tiempo cuadrático en el generador de instancias SRL de ConllCorpusReader mediante reescaneo de intervalos anidados

  • Publicada: 14.11.2026
  • Actualizado: 14.11.2026 10:00

Resumen

ConllCorpusReader.srl_instances() genera instancias de etiquetado de roles semánticos (SRL) a partir de un bloque de corpus CoNLL. Para un bloque de oraciones con P predicados y P columnas de intervalos (spans), el generador de instancias vuelve a escanear cada columna de intervalos (y cada intervalo dentro de ella) una vez por predicado mientras busca el núcleo (head) de cada predicado, resultando en un coste de O(P^2 * R). Un único bloque bien formado que coloque el intervalo del núcleo en la última columna fuerza el escaneo completo en cada predicado, por lo que una aplicación que lea un corpus CoNLL SRL suministrado por un atacante puede verse sometida a decenas de segundos de uso intensivo de CPU en un único hilo. No se requiere autenticación ni interacción del usuario.

Causa raíz

_get_srl_instances itera sobre los P predicados de un bloque; para cada predicado escanea cada lista de intervalos y cada intervalo dentro de ella, usando un break interno que solo se detiene cuando encuentra un intervalo etiquetado como V o C-V que contiene la palabra del predicado. Cuando el único intervalo del núcleo se coloca en la última columna de intervalos, ninguna columna anterior coincide, por lo que la estructura for ... else: continue recorre todos los intervalos de todas las columnas anteriores antes de coincidir. A lo largo de P predicados, cada uno escaneando hasta P columnas de R intervalos, el coste es O(P^2 * R). El bloque se lee por completo sin límite de tamaño, y la comprobación de consistencia de la cuadrícula solo exige un recuento uniforme de columnas, sin limitar P, R ni el trabajo total.

Affected function:
- nltk.corpus.reader.conll.ConllCorpusReader._get_srl_instances (nltk/corpus/reader/conll.py:394-424; nested rescan at lines 405-419)
Public entry point: nltk.corpus.reader.conll.ConllCorpusReader.srl_instances (nltk/corpus/reader/conll.py:158-169).

Impacto

Un atacante capaz de proporcionar un corpus CoNLL que una aplicación cargue e itere con srl_instances() provoca un consumo prolongado de CPU en un único hilo (pérdida de disponibilidad). La ruta es accesible a través de la red en cualquier punto de ingesta de corpus (AV:N) y no requiere privilegios ni interacción del usuario (PR:N, UI:N). Dado que el coste es superlineal según la cantidad de predicados y columnas elegida por el atacante, un corpus manipulado de aproximadamente 1 MB satura un núcleo durante decenas de segundos y unos pocos megabytes alcanzan los minutos. La confidencialidad y la integridad no se ven afectadas. El tiempo de espera (timeout) de reloj de las expresiones regulares de NLTK solo cubre el emparejamiento con regex y no cubre este bucle anidado de Python puro sobre la cuadrícula analizada. La explotación requiere que la aplicación use la API específica de SRL sobre datos CoNLL no confiables con columnas words, pos, tree y srl; un entorno que nunca llame a srl_instances() no está afectado.

Prueba de concepto

Environment: nltk 3.10.3, CPython. Stage a crafted CoNLL corpus under an authorized data root and iterate srl_instances().
Corpus construction: one blank-line-delimited block with P predicate rows and P SRL span columns, the sole "V" head span in the last column.
python
import time, os, tempfile
from nltk.corpus.reader.conll import ConllCorpusReader

def build_block(n):
    # n predicates, n SRL columns; the single V head placed in the last column
    # (columns: words pos tree srl...): emit n predicate rows and n SRL span
    # columns, with the single "V" head span placed in the final column.
    ...

for n in (40, 80, 160, 320):
    root = tempfile.mkdtemp()
    open(os.path.join(root, "c.conll"), "w").write(build_block(n))
    r = ConllCorpusReader(root, ["c.conll"], ("words", "pos", "tree", "srl"))
    t = time.perf_counter()
    list(r.srl_instances())
    print(n, round(time.perf_counter() - t, 3), "s")
Negative control (single predicate): n=40 -> 1.88 ms ; n=320 -> 4.45 ms      (flat)
Attack (P=R=n):  n=40 -> 0.022s (10 KB) | n=80 -> 0.148s (39 KB) | n=160 -> 1.164s (156 KB) | n=320 -> 10.002s (619 KB)

El tiempo del ataque aumenta aproximadamente 8x por cada duplicación de n mientras que el archivo solo crece unas 4x, lo que confirma el coste superlineal impulsado por el número de predicados y columnas; el control de un solo predicado permanece en el rango de los milisegundos.

Cadena de ataque

  1. Exposición: Una aplicación carga un corpus CoNLL proporcionado por un atacante (cuyas columnas incluyen srl) y lo itera mediante la función pública ConllCorpusReader(...).srl_instances().
  2. Control: El atacante controla el número de predicados P, el recuento de columnas de intervalos y la ubicación del único intervalo del núcleo; el bloque se lee íntegramente sin límite de tamaño.
  3. Ruta: srl_instances() llama a _get_srl_instances, que empareja cada predicado contra las columnas de intervalos mediante un escaneo doblemente anidado.
  4. Protección: El break interno ante el primer núcleo coincidente (V o C-V) se sortea colocando el único intervalo de núcleo en la última columna, de modo que todas las columnas anteriores se escanean al completo. El aislamiento de contención de rutas limita la ubicación de los archivos cargados, no la cantidad de trabajo de un bloque.
  5. Primitiva: El reescaneo anidado realiza O(P^2 * R) comparaciones de intervalos sin límite de trabajo ni tiempo de espera.
  6. Resultado: Agotamiento continuado de la CPU en un solo núcleo; un corpus de aproximadamente 1 MB requiere decenas de segundos y escala de forma superlineal, bloqueando el hilo de ejecución.

Evidencia de evasión

El único atajo en esta ruta es el break interno que se activa cuando se encuentra el intervalo del núcleo V o C-V de un predicado. Se elude por diseño: situar el único intervalo de núcleo en la última columna hace que ninguna columna anterior coincida, de modo que for ... else: continue recorre cada intervalo de cada columna anterior para cada predicado. Esto se confirmó en el código fuente (nltk/corpus/reader/conll.py:405-419) y se reprodujo de extremo a extremo mediante la API pública srl_instances(), donde el tiempo de procesamiento escala superlinealmente mientras que el control con un solo predicado permanece plano. El sandbox de contención de rutas es un control sobre la ubicación de archivos y no limita el coste de procesamiento sintáctico, y el timeout de expresiones regulares no abarca este bucle. Los intentos de refutación (que la pertenencia en range en Python es O(1) y por tanto el bucle es lineal, y que break se activa rápidamente) son inválidos: la comprobación de pertenencia O(1) se evalúa una vez por intervalo, y el número de intervalos evaluados se maximiza precisamente situando el núcleo en la última columna.

Versiones afectadas

  • Ecosystem: PyPI (pip)
  • Package: nltk
  • Confirmed affected range: <= 3.10.3
  • Latest release checked: 3.10.3 (PyPI, https://pypi.org/pypi/nltk/json)
  • Fix status: 3.10.4

El reescaneo anidado se incluye en todas las versiones que incorporan este lector y está presente en la versión más reciente publicada, 3.10.3. La versión inicial afectada no se acotó; el comportamiento precede al endurecimiento reciente frente a expresiones regulares.

Corrección sugerida

Reemplazar la búsqueda lineal por predicado sobre todas las columnas de intervalos por un único paso que indexe los intervalos de núcleo según la posición de la palabra (por ejemplo, creando una única correspondencia del índice de palabra a la columna de intervalos y consultando cada predicado en tiempo constante), reduciendo el coste total a aproximadamente O(P * R). Como medida de defensa en profundidad, limitar el número de predicados e intervalos aceptados por bloque y procesar corpus no confiables con un límite de tiempo o CPU. No existe una solución solo mediante configuración si el servicio necesita procesar datos CoNLL SRL no confiables; hasta que se aplique una actualización, se debe restringir el tamaño de los corpus y aislar el proceso analizador.

Reportado por zx (GitHub: @manus-pi).

Estado del arreglo (2026-09-28)

PR: #3753 "[Do not merge yet] Fix GHSA-8mgp-746c-j5xp: URL-scheme bypass of pathsec.validate_path", abierto; commit da55cab0e al redactar esta nota (merge sobre develop en 238f81500, el head en el que se midieron los resultados a continuación).

Commit de solución: cf12a5e6a "Patch seven algorithmic-DoS and path/exec GHSA classes across all affected modules" (ConllCorpusReader._get_srl_instances construye un índice de un solo paso de número de palabra a lista de intervalos en lugar de reescanear por cada predicado).

Sonda: nltk/test/unit/security_probes/ghsa_v8f3_6phw_6mh9.py (en el PR). Veredicto en el head del PR: ARREGLADO (srl_instances escaló 3.9x a lo largo de 4x predicados). La misma sonda ejecutada contra develop 2fa3f48fe: VULNERABLE (45.8x a lo largo de 4x predicados).

Qué hacer

Actualice a NLTK versión 3.10.4 o posterior. Si la actualización inmediata no es posible, limite el tamaño de los archivos de corpus aceptados y aísle los procesos de análisis.

Software afectado

Haz clic en una tecnología para ver todas sus vulnerabilidades.

PlataformaPaqueteVersiones vulnerablesCorregida en
Python (PyPI) nltk < 3.10.4 3.10.4

Referencias

Puntuación CVSS 7.5/10
Vector CVSS
CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:N/I:N/A:H
Debilidad (CWE)
CWE-400, CWE-407
Plataforma
Python (PyPI)
Paquete
nltk
Publicada
14.11.2026
Actualizado
14.11.2026 10:00

Fuentes y licencias · Editado o traducido por DockRay; se mantienen los derechos y las licencias de las fuentes.

OSV / GitHub Advisory Database - GHSA-v8f3-6phw-6mh9 - CC BY 4.0

Historial de vulnerabilidades: nltk

Todas las vulnerabilidades publicadas de este paquete (Python (PyPI)), de la más reciente a la más antigua. Muestra si es un fallo aislado o un paquete que hay que vigilar.

Todas (79) en el archivo
Entradas en total
79
Primera → última
08.2019 11.2026
Sin corrección
5
Explotada en ataques
0

Distribución por gravedad

  • Crítica 5
  • Alta 41
  • Media 31
  • Baja 2

Divulgaciones por año

  1. 2019: 1
  2. 2020: 0
  3. 2021: 2
  4. 2022: 1
  5. 2023: 0
  6. 2024: 1
  7. 2025: 0
  8. 2026: 74
Gravedad:
  1. NLTK: Denegación de servicio de CPU en tiempo cuadrático en el generador de instancias SRL de ConllCorpusReader mediante reescaneo de intervalos anidados esta entrada
    Alta · 7.5 CVE-2026-126297 < 3.10.4 3.10.4
  2. Alta CVE-2026-79674 < 3.10.3 3.10.3
  3. Alta · 8.8 CVE-2026-71513 >= 3.10.0, < 3.10.3 3.10.3
  4. Alta · 5.9 CVE-2026-62385 < 3.10.0 3.10.0
  5. Alta · 7.5 CVE-2026-33231 < 3.9.4 3.9.4
  6. Alta · 8.6 CVE-2026-0847 < 3.9.3 3.9.3
Mostrar más (6) Mostrando 40 de 46

Identifica las vulnerabilidades de tu aplicación

Con la integración de DockRay y el inventario de software activado, DockRay compara las versiones notificadas de los componentes con las vulnerabilidades conocidas y avisa de las coincidencias confirmadas. La cobertura depende de la tecnología compatible y de los avisos disponibles.

Conectar tu aplicación
Newsletter DockRay

La seguridad de tus aplicaciones en tu correo

Vulnerabilidades importantes, recomendaciones concretas y consejos prácticos para tus aplicaciones. Elige tus tecnologías y sigue lo que importa para tu proyecto.

  • Un resumen diario de nuevas vulnerabilidades, también las críticas.
  • Avisos sobre actualizaciones importantes.
  • Consejos prácticos sobre seguridad y monitorización de aplicaciones.

Déjalo vacío para recibir avisos de todas las tecnologías.

Suscripción gratuita. Date de baja con un clic en cualquier correo.