错误配置K8s机器学习框架Kubeflow易招来挖矿攻击

微软的Azure资讯安全中心侦测到新一波Kubernetes丛集挖矿攻击，目标锁定Kubernetes机器学习工具包Kubeflow，微软发现已经有数十个Kubernetes丛集受到挖矿攻击影响。

Kubeflow是一个开源专案，起初只是要让TensorFlow工作负载，能够在Kubernetes上运作的专案，但随着专案发展，Kubeflow已经发展成为Kubernetes机器学习的热门框架，微软提到，由于用于机器学习工作节点的运算能力，通常比起其他用途节点相对强大，并且在部分情况还会附加GPU，因此是采矿攻击的绝佳目标。

微软在4月时观察到，不同丛集都从一个公开储存库部署了可疑的映像档，深入分析该映像档，发现其内含XMRIG挖矿程式，微软还在公开储存库中，发现了其他拥有不同挖矿配置的映像档。部署这些恶意映像档的丛集，几乎都在执行Kubeflow，因此微软表示，这代表攻击者把机器学习框架当作攻击的进入点。

Kubeflow框架包含了各种服务，像是训练模型的框架、Katib以及Jupyter Notebook服务器等，而Kubeflow是一个容器化服务，各种任务在丛集中都会以容器的形式执行，因此当攻击者能够以特定方式存取Kubeflow，便能以多种方式在丛集中执行恶意档案。

Kubeflow框架中还区分不同的命名空间，以表示Kubeflow服务集合，而这些命名空间会被翻译为Kubernetes命名空间，用来部署资源。预设情况下，仪表板只能透过Istio的Ingress闸道供内部存取，用户需要利用通讯埠转发（Port Forwarding）服务来存取仪表板，但在部分情况下，当用户将Istio服务配置修改为Load-Balancer，而这会使服务直接暴露在互联网中。

微软提到，用户这么做通常是因为方便操作，否则存取仪表板还需要通过Kubernetes API服务器建立通道，但只要把服务公开在互联网中，用户就可以直接存取仪表板，不过这样的操作并不安全，因为这让任何人都可以在Kubeflow中执行操作，包括在丛集中部署新容器，只要攻击者有权限存取仪表板，就有多种方法在丛集中部署后门容器。

微软过去侦测到多个针对Kubernetes丛集的攻击行动，皆使用类似的存取向量，也就是入侵公开在互联网上的服务，而这次则是微软首次侦测到针对Kubeflow框架的攻击行动。

微软提醒丛集管理者，在部署Kubeflow这类服务的时候，除了要对应用程序使用身份验证和存取控制之外，也不要将连接埠直接暴露在互联网上，并且还要监控执行环境，包括监控正在执行的容器和程序，而且应该限制丛集只能部署受信任的映像档。