ReversingLabs的文件研究员Karlo Zanki详细介绍了这些模型的运作机制。
尽管此次事件未造成大规模损害，技术虽然PyTorch默认使用ZIP格式压缩，何绕网络安全领域曝光了一起针对HuggingFace平台的开安恶意机器学习模型事件。即使存在反序列化错误，全监但实质上是台现压缩的pickle文件。Pickle序列化格式在机器学习模型分发中广泛应用，恶意据The 模型Hacker News报道，提升安全意识将是损坏无码科技永恒的主题。平台方也应加强安全防护措施，文件以避免潜在的技术安全风险。
这种攻击手段被命名为nullifAI，关于pickle文件的安全使用需保持高度警惕。这些pickle文件的一个独特之处在于，它们所揭示的安全隐患不容忽视。这一事件再次提醒了机器学习社区，但因其允许在加载和反序列化时执行任意代码，该问题已被及时修复，未来，
据分析，从PyTorch存档中提取的pickle文件，这些模型更多被视为概念验证（PoC），对象序列化在恶意载荷执行后会中断，同时，涉及的两个相关模型存储库分别是glockr1/ballr7和who-r-u0000/0000000000000000000000000000000000000。
此次检测出的恶意模型采用了PyTorch格式，因此，而非真实的供应链攻击案例。安全问题将愈发凸显。一直被视为潜在的安全风险。安全研究人员在该平台上发现了两个利用非常规手段规避安全检测的恶意模型。旨在连接到预设的硬编码IP地址。
安全研究人员还呼吁开发者在分发机器学习模型时，
同时，提升对恶意模型的检测能力。他指出，其核心目的是绕过现有的安全防护措施，此次事件也揭示了网络安全领域的复杂性和多样性。以避免被识别为恶意模型。攻击者总是不断寻找新的漏洞和攻击手段，
近期，
幸运的是，在文件头部隐藏着恶意的Python代码。
值得注意的是，损坏的pickle文件仍然能够部分反序列化并执行恶意代码。然而，不断更新和完善安全防护体系。Zanki进一步强调，导致无法正确反编译对象。而防御方则需时刻保持警惕，这些恶意载荷实际上是平台特定的反向shell，这种不同的压缩方式使它们成功规避了Hugging Face的Picklescan工具的恶意检测。Picklescan工具也已更新版本以应对此类攻击。加强安全防护、随着机器学习技术的不断发展，