news 2026/9/13 20:06:16

飞桨安全公告 PDSA-2023-007 深度解析：paddle.linalg.matrix_rank 除零漏洞（CVE-2023-38675）的复现、修复与防护

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
飞桨安全公告 PDSA-2023-007 深度解析：paddle.linalg.matrix_rank 除零漏洞（CVE-2023-38675）的复现、修复与防护

飞桨安全公告 PDSA-2023-007 深度解析：paddle.linalg.matrix_rank 除零漏洞（CVE-2023-38675）的复现、修复与防护

【免费下载链接】PaddlePArallel Distributed Deep LEarning: Machine Learning Framework from Industrial Practice （『飞桨』核心框架，深度学习&机器学习高性能单机、分布式训练和跨平台部署）项目地址: https://gitcode.com/GitHub_Trending/pa/Paddle

本文围绕飞桨（PaddlePaddle）官方安全公告 PDSA-2023-007 展开，剖析paddle.linalg.matrix_rank在空张量输入下触发除零（FPE）漏洞（CVE-2023-38675）的根因、PoC 复现过程、补丁修复方案与回归测试验证。读者读完后，将理解该漏洞的触发条件与源码级成因，掌握修复后版本的正确行为语义，并了解飞桨 FPE 类漏洞的共同模式、安全边界认定规则以及漏洞上报渠道，从而在自研算子或二次开发中避免同类缺陷。

一、漏洞概览

PDSA-2023-007 是飞桨官方于 2023 年披露的一则安全公告，完整信息如下：

项目内容
公告编号PDSA-2023-007
CVE 编号CVE-2023-38675
漏洞类型FPE（浮点异常，由整数除零触发）
受影响 APIpaddle.linalg.matrix_rank
受影响版本< 2.6.0
修复版本飞桨 2.6.0
报告者Tong Liu of ShanghaiTech University

在 security/README_cn.md 的公告总表中，该公告与 PDSA-2023-017（paddle.amin）、PDSA-2023-015（paddle.lerp）、PDSA-2023-014（paddle.topk）等一批 FPE 类公告同列，全部标注受影响版本< 2.6.0，是飞桨 2.6.0 版本批量修复的除零/浮点异常问题的典型代表。

需要特别说明的是，公告中的 "FPE" 在 POSIX 术语中对应SIGFPE信号。虽然名称含 "Floating Point"，但本漏洞实际由整数除法numel / (rows * cols)在除数为 0 时触发，导致进程以非干净方式退出（崩溃），这正是其被认定为安全问题的关键——详见后文"安全模型"一节。

二、受影响 API：paddle.linalg.matrix_rank 的功能与参数

paddle.linalg.matrix_rank用于计算矩阵的秩，即大于指定阈值的奇异值个数（hermitian=False时）或绝对值大于阈值的特征值个数（hermitian=True时），其 Python 层实现在 python/paddle/tensor/linalg.py：

def matrix_rank( x: Tensor, tol: float | Tensor | None = None, hermitian: bool = False, atol: float | Tensor | None = None, rtol: float | Tensor | None = None, name: str | None = None, ) -> Tensor:

核心参数语义如下：

  • x：输入张量，形状应为[..., m, n]，其中...为 0 个或多个 batch 维度；若x是批量矩阵，则输出具有相同的 batch 维度。数据类型支持float32、float64、complex64、complex128。
  • tol：单独使用的阈值。未指定时按tol = sigma * max(m, n) * eps计算，其中sigma为最大奇异值（或特征值绝对值），eps为x数据类型对应的机器精度；批量输入时每个 batch 独立计算。
  • atol / rtol：与tol互斥的绝对/相对容差组合（同时指定atol/rtol时不允许再传tol，否则抛出ValueError）。容差最终取max(atol, sigma_1 * rtol)，sigma_1为最大奇异值。若rtol未指定，默认取max(m, n) * eps；若rtol未指定且atol显式大于 0，则rtol取 0。
  • hermitian：是否将x视为 Hermitian 矩阵。为True时走特征值分解路径（更高效），函数内部不校验x是否真的为 Hermitian，仅使用矩阵下三角部分计算。

在动态图模式下，Python 层会根据参数形式分别派发到底层算子：使用tol时调用matrix_rank/matrix_rank_tol，使用atol/rtol时调用matrix_rank_atol_rtol（见 python/paddle/tensor/linalg.py）。

三、漏洞根因：除零语句的源码级定位

公告明确指出漏洞触发条件：当由x的维度计算出的rows或cols为 0 时，numel / (rows * cols)会触发除 0 异常。

在 Kernel 实现中，batch 数量通过如下方式计算：

int k = std::min(rows, cols); int batches = static_cast<int>(x.numel() / (rows * cols));

其中rows、cols直接取自张量形状的最后两个维度：

auto dim_x = x.dims(); int rows = static_cast<int>(dim_x[dim_x.size() - 2]); int cols = static_cast<int>(dim_x[dim_x.size() - 1]);

当输入形状最后两维任一为 0（例如 PoC 中的[0, 0, 0, 0, 0]，rows = 0, cols = 0）时，rows * cols = 0，此时x.numel() = 0，表达式退化为整数运算0 / 0，在 C++ 中触发未定义行为，实际表现为进程收到SIGFPE信号而崩溃。GPU 路径中还存在对rows * cols <= INT_MAX的约束检查（cusolver 的gesvdj系列接口不支持 int64 索引），但空输入的除零防护是另一独立问题。

从当前仓库的 CPU Kernel 实现 paddle/phi/kernels/cpu/matrix_rank_tol_kernel.cc 可以看到，修复后的代码将batches的计算严格置于x.numel() == 0的早退判断之后；同理，GPU Kernel paddle/phi/kernels/gpu/matrix_rank_tol_kernel.cu 也采用相同顺序。这一"先防护、后计算"的顺序正是补丁的核心改动，而修复前的版本中该除零表达式直接暴露在 kernel 主流程，未对空输入做前置拦截。

四、PoC 复现与逐步解析

公告附带的 PoC 代码如下：

import paddle import numpy as np x = np.random.uniform(0, 0, [0, 0, 0, 0, 0]).astype(np.float32) x = paddle.to_tensor(x) paddle.linalg.matrix_rank(x)

逐步解析：

  1. np.random.uniform(0, 0, [0, 0, 0, 0, 0])构造一个形状为[0, 0, 0, 0, 0]、元素个数为 0 的 5 维空数组（uniform区间上下界均为 0 仅用于生成空数组，实际并不产生任何元素）。
  2. paddle.to_tensor(x)将其转换为形状[0, 0, 0, 0, 0]、dtype 为float32的飞桨张量，numel() == 0。
  3. paddle.linalg.matrix_rank(x)进入matrix_rankKernel：最后两维rows = 0, cols = 0，执行batches = numel / (rows * cols) = 0 / 0，触发整数除零，进程崩溃（SIGFPE）。

该 PoC 的精妙之处在于：它不需要任何恶意构造的数值，仅靠"空张量 + 零尺寸维度"即可稳定触发，是典型的输入校验缺失型漏洞，攻击面极低、影响面极广——任何将动态形状张量（如 batch 维度为 0 的数据流、预处理后为空集的特征）传入matrix_rank的用户都可能命中。

五、补丁修复方案：空输入早退与零填充

根据公告，修复合入于 PR #55644 的 commit9bb6c669206c4bcc3ce3f6daf8a55650e190c1a1，并包含在飞桨 2.6.0 版本中。当前仓库源码印证了修复后的防御逻辑：

// paddle/phi/kernels/cpu/matrix_rank_tol_kernel.cc if (x.numel() == 0) { dev_ctx.template Alloc<int64_t>(out); if (out && out->numel() != 0) { Full<int64_t, Context>(dev_ctx, out->dims(), 0, out); } return; } int k = std::min(rows, cols); int batches = static_cast<int>(x.numel() / (rows * cols));

修复策略可概括为三点：

  1. 前置防护：在计算k、batches（含除零表达式）之前，先判断x.numel() == 0，命中即提前返回，从根上杜绝除零。
  2. 语义正确：空矩阵的秩在数学上定义为 0，因此用Full将输出填充为 0，保证结果正确而非仅"不崩溃"。输出张量形状保持为x.shape[:-2]（即去掉最后两个矩阵维后的 batch 维度），与正常路径一致。
  3. CPU/GPU 双路径覆盖：同样的防护逻辑同时存在于 CPU Kernel paddle/phi/kernels/cpu/matrix_rank_tol_kernel.cc 与 GPU Kernel paddle/phi/kernels/gpu/matrix_rank_tol_kernel.cu，matrix_rank、matrix_rank_tol、matrix_rank_atol_rtol三个算子路径均有对应处理，确保不同参数组合下行为一致。

此外，Kernel 注册时输出数据类型被显式指定为INT64（见 paddle/phi/kernels/cpu/matrix_rank_tol_kernel.cc 的kernel->OutputAt(0).SetDataType(phi::DataType::INT64)），即matrix_rank的返回值为 int64 类型，这一点在验证修复后行为时需要注意。

六、修复后的回归测试验证

仓库中的单元测试 test/legacy_test/test_matrix_rank_op.py 专门覆盖了含 0 尺寸维度的场景，是修复有效性的直接证据：

  • 静态图场景：构造shape=[2, 0, 6, 0]的输入，运行paddle.linalg.matrix_rank，断言输出形状为x.shape[:-2]，即[2, 6]（见 test/legacy_test/test_matrix_rank_op.py）。
  • 动态图 CPU/GPU 场景：分别验证(2, 0, 6, 6)、(0, 0)、(2, 3, 8, 0)（CPU）与(2, 3, 0, 7)（GPU）等形状，断言输出形状与x.shape[:-2]一致，且输出值全部为 0（见 test/legacy_test/test_matrix_rank_op.py）。

这些用例覆盖了"rows=0"、"cols=0"、"全零维"等多种组合，既验证了不再崩溃，也验证了空输入的秩为 0 的正确语义。对于升级到 2.6.0 及以后版本的用户，可直接运行该测试文件确认修复状态；对于框架开发者而言，这也是"新增防御逻辑必须配套回归测试"的规范示范。

七、同类 FPE 漏洞模式与通用防护经验

PDSA-2023-007 并非孤例。根据 security/README_cn.md 公告总表，2023 年飞桨披露的 FPE 类型漏洞还包括：

  • PDSA-2023-006：paddle.nanmedian
  • PDSA-2023-009：paddle.linalg.eig
  • PDSA-2023-014：paddle.topk
  • PDSA-2023-015：paddle.lerp
  • PDSA-2023-017：paddle.amin
  • PDSA-2023-022：paddle.argmin/paddle.argmax

它们与 PDSA-2023-007 均由上海科技大学的 Tong Liu 报告，受影响版本同为< 2.6.0，并一同在 2.6.0 中修复。从这批公告可以归纳出 FPE 类漏洞的共性根因模式：

  1. 缺少输入形状前置校验：直接使用numel、rows、cols参与除法或比值运算，未考虑 0 尺寸、空张量等退化情形；
  2. 退化输入未定义语义：数学库函数（SVD、特征值分解等）对 0 维矩阵的处理依赖底层 LAPACK/cuSOLVER 行为，框架层必须显式定义并拦截。

对算子开发者的通用防护建议：凡涉及numel / (rows * cols)一类与形状相关的除法，务必在运算前校验除数是否为 0；凡涉及空张量（numel() == 0）的路径，必须定义明确的输出语义（如 0 填充）并早退，同时配套覆盖 0 尺寸维度的单元测试。

八、安全模型、升级建议与漏洞报告

飞桨在 SECURITY_cn.md 中明确了安全问题认定边界：

  • 由于模型可执行任意计算、操作文件、网络通信等，飞桨计算图执行可能造成内存耗尽、死锁等非预期行为，但只有当这些行为超出所涉及操作意图时才认定为安全问题；
  • 框架对非预期参数和行为的检查会抛出异常（Python）或返回错误状态（C++），此类干净退出不视为安全问题；
  • 若非预期参数导致内存破坏或非干净退出（如本公告中的 SIGFPE 崩溃），则认定为安全问题。

PDSA-2023-007 正属于"非干净退出"情形，这也是其获得 CVE-2023-38675 编号并进入安全公告的原因。

升级建议：所有使用paddle.linalg.matrix_rank（或其他受影响 API）且版本低于 2.6.0 的用户，应尽快升级到包含修复的 2.6.0 及以上版本；因业务约束无法立即升级的，应避免向该 API 传入含 0 尺寸维度的张量，并在上游对动态形状做非空校验。

漏洞报告：飞桨鼓励安全研究人员通过百度安全应急响应中心（BSRC）平台负责任地披露（Responsible Disclosure）安全问题，提交时建议包含：漏洞细节与可复现的 PoC、攻击场景及攻击者可能达成的效果、问题是否已公开、署名信息。飞桨将在发布中注明修复情况，并在致谢公告中公布漏洞详情与提报人信息。

九、总结

PDSA-2023-007（CVE-2023-38675）是一例典型的"输入校验缺失导致除零崩溃"型框架漏洞：一行未防护的numel / (rows * cols)，在空张量输入下即可触发 SIGFPE 使进程崩溃。修复方案以"空输入早退 + 0 填充语义"双管齐下，并通过 CPU/GPU 全路径覆盖与回归测试确保了长期有效性。该案例与 2023 年同批 FPE 公告共同提醒我们：数值库算子的健壮性始于对退化输入（0 尺寸、空张量）的显式定义与前置防护。

【免费下载链接】PaddlePArallel Distributed Deep LEarning: Machine Learning Framework from Industrial Practice （『飞桨』核心框架，深度学习&机器学习高性能单机、分布式训练和跨平台部署）项目地址: https://gitcode.com/GitHub_Trending/pa/Paddle

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/9/13 20:06:11

AI问卷设计工具：从传统表单到智能调研的革命

1. 项目概述&#xff1a;问卷设计工具的进化与变革"传统问卷设计VS书匠策AI&#xff1a;一场问卷设计的智慧革命"这个标题揭示了调研工具领域正在发生的深刻变革。作为一名在市场调研行业摸爬滚打十年的从业者&#xff0c;我亲眼见证了问卷设计工具从纸质表格到电子表…

作者头像 李华
网站建设 2026/9/13 20:02:14

Django构建新能源车用户行为分析系统

简介&#xff1a;本资源是一套基于Python与Django框架开发的新能源电动汽车使用体验大数据分析系统&#xff0c;面向计算机类专业本科生、毕业设计学生及初学者&#xff0c;聚焦真实场景下的用户行为数据采集、可视化分析与Web端展示。项目完整覆盖从数据建模、后端逻辑到前端交…

作者头像 李华
网站建设 2026/9/13 20:00:32

10分钟跑通三维重建：COLMAP完整流程实操

10分钟跑通三维重建&#xff1a;COLMAP完整流程实操 【免费下载链接】colmap COLMAP - Structure-from-Motion and Multi-View Stereo 项目地址: https://gitcode.com/GitHub_Trending/co/colmap 如果你围着老房子拍了一组照片&#xff0c;想把它变成可以环绕查看的三维…

作者头像 李华