Zaloguj się
Deutsch English Español Polski
Wysoka

vLLM is an inference and serving engine for large language models. Prior to 0.30.0, the Rust frontend's track_http_metrics middleware records the raw HTTP method token as a Prometheus label for reques

  • Ujawniono: 05.10.2026
  • Aktualizacja: 23.10.2026 22:17

vLLM is an inference and serving engine for large language models. Prior to 0.30.0, the Rust frontend's track_http_metrics middleware records the raw HTTP method token as a Prometheus label for requests reaching registered routes. An unauthenticated attacker can send unique arbitrary method tokens to unguarded routes such as /tokenize, causing Prometheus's Family::get_or_create function to permanently create counter and histogram label sets. Those label sets increase process memory usage and enlarge the /metrics response until the service or monitoring path is exhausted. This issue is fixed in version 0.30.0.

Czego dotyczy

Kliknij technologię, aby zobaczyć wszystkie dotyczące jej podatności.

PlatformaPaczkaPodatne wersjePoprawka w wersji
Python (PyPI) vllm < 0.30.0 0.30.0

Odnośniki

Ocena CVSS 7.5/10
Wektor CVSS
CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:N/I:N/A:H
Słabość (CWE)
-
Platforma
Python (PyPI)
Paczka
vllm
Ujawniono
05.10.2026
Aktualizacja
23.10.2026 22:17

Źródła i licencje

OSV / GitHub Advisory Database - PYSEC-2026-4325 - PyPA Advisory Database; CC BY 4.0

Historia podatności: vllm

Wszystkie opisane podatności tej paczki (Python (PyPI)), od najnowszej. Widać, czy to jednorazowa wpadka, czy paczka, której trzeba pilnować.

Wszystkie (97) w archiwum
Wszystkich wpisów
97
Pierwsza → ostatnia
09.2024 10.2026
Bez poprawki
5
Wykorzystywana w atakach
0

Rozkład istotności

  • Krytyczna 9
  • Wysoka 24
  • Średnia 48
  • Niska 4
  • Nieoceniona 12

Ujawnienia w latach

Istotność:
  1. vLLM is an inference and serving engine for large language models. Prior to 0.30.0, the Rust frontend's track_http_metrics middleware records the raw HTTP method token as a Prometheus label for reques ten wpis
    Wysoka · 7.5 CVE-2026-105759 < 0.30.0 0.30.0
  2. 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
    Wysoka · 7.5 CVE-2026-103241 < 0.27.0 0.27.0
  3. 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
    Wysoka · 7.5 CVE-2026-100652 >= 0.22.0, < 0.24.0 0.24.0
  4. vLLM has Remote DoS via Invalid Recovered Token Reinjection
    Wysoka · 7.5 CVE-2026-54234 >= 0.17.1, < 0.24.0 0.24.0
  5. vLLM: ReDoS via structured_outputs.regex compiled without timeout in xgrammar and outlines backends
    Wysoka · 7.5 CVE-2026-55574 < 0.24.0 0.24.0
  6. vLLM denial of service via prompt embeds on M-RoPE models
    Wysoka CVE-2026-55514 >= 0.12.0, < 0.24.0 0.24.0
  7. 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.
    Wysoka · 8.8 CVE-2026-54232 < 0.22.1 0.22.1
  8. vLLM: OpenAI auth bypass
    Krytyczna · 9.1 CVE-2026-48746 >= 0.3.0, < 0.22.0 0.22.0
  9. vLLM: Security Check Bypass via assert Statement in Activation Function Loading Allows Arbitrary Code Execution
    Wysoka · 7.5 CVE-2026-41523 < 0.22.0 0.22.0
  10. 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
    Wysoka · 7.5 CVE-2026-5497 >= 0.8.0, < 0.19.0 0.19.0
  11. vLLM has Hardcoded Trust Override in Model Files Enables RCE Despite Explicit User Opt-Out
    Wysoka · 8.8 CVE-2026-27893 >= 0.10.1, < 0.18.0 0.18.0
  12. vLLM has RCE In Video Processing
    Krytyczna · 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
    Wysoka · 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
    Wysoka · 8.8 CVE-2026-22807 >= 0.10.1, < 0.14.0 0.14.0
  15. vLLM introduced enhanced protection for CVE-2025-62164
    Wysoka · 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
    Wysoka · 7.1 CVE-2025-66448 < 0.11.1 0.11.1
  17. vLLM vulnerable to DoS with incorrect shape of multimodal embedding inputs
    Wysoka · 6.5 CVE-2025-62372 >= 0.5.5, < 0.11.1 0.11.1
  18. vLLM deserialization vulnerability leading to DoS and potential RCE
    Wysoka · 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
    Wysoka · 7.1 CVE-2025-6242 >= 0.5.0, < 0.11.0 0.11.0
  20. vLLM is vulnerable to timing attack at bearer auth
    Wysoka · 7.5 CVE-2025-59425 < 0.11.0 0.11.0
Pokaż więcej (13) Widać 20 z 33

Dowiedz się, które podatności dotyczą Twojej aplikacji

Po podłączeniu integracji DockRay i włączeniu raportowania oprogramowania DockRay porównuje zgłoszone wersje komponentów ze znanymi podatnościami i powiadamia o potwierdzonych dopasowaniach. Zakres zależy od obsługiwanej technologii i dostępnych biuletynów.

Podłącz swoją aplikację
Newsletter DockRay

Bezpieczeństwo aplikacji w Twojej skrzynce

Najważniejsze podatności, konkretne zalecenia i praktyczne wskazówki dla Twoich aplikacji. Wybierz technologie i śledź to, co ma znaczenie dla Twojego projektu.

  • Codzienne zestawienie nowych podatności, także krytycznych.
  • Powiadomienia o ważnych aktualizacjach.
  • Praktyczne porady o bezpieczeństwie i monitoringu aplikacji.

Pozostaw puste, aby otrzymywać informacje o wszystkich technologiach.

Polityka prywatności

Zapis jest bezpłatny. Wypiszesz się jednym kliknięciem w wiadomości.