Compliance e LGPDSegurança
Nível de dificuldade: Intermediário (3 de 5)
CVE-2026-129266 permite leitura arbitrária de arquivo no Deep Java Library
O boletim: o que a AWS publicou
O AWS Security Bulletin 2026-183-AWS, publicado em 16 de novembro de 2026, trata do CVE-2026-129266. O problema está no Deep Java Library (DJL), framework open-source Java para deep learning: a biblioteca não valida a localização de recurso (resource location) declarada nos metadados de um model archive. Um terceiro remoto e não autenticado pode montar um archive malicioso e fazer o processo que carrega o modelo ler qualquer arquivo ao qual ele tenha acesso.
O alcance é amplo: toda versão do ai.djl entre a 0.7.0 e a 0.38.0 está vulnerável. A correção saiu na versão 0.39.0. A descoberta foi atribuída a Oguzhan Akkaya, via processo coordenado de divulgação de vulnerabilidade com a AWS; o identificador correspondente no GitHub Security Advisories é GHSA-xf3w-qp3m-fp62.
Como o model archive vira porta de entrada
DJL carrega modelos a partir de um model archive cujos metadados descrevem onde está o recurso real do modelo. É essa referência que a biblioteca não valida: se o archive aponta para um caminho local arbitrário em vez de um recurso de modelo legítimo, a leitura acontece do mesmo jeito, com os privilégios do processo que rodou o loadModel().
Na prática, qualquer fluxo de código que resolve a origem do modelo a partir de uma entrada não confiável fica exposto, como neste padrão:
Criteria<Image, Classifications> criteria = Criteria.builder()
.setTypes(Image.class, Classifications.class)
.optModelUrls(urlDoModelo) // se urlDoModelo vier de upload de terceiro, o risco é este CVE
.build();
ZooModel<Image, Classifications> model = criteria.loadModel();Se urlDoModelo vem de um upload de usuário, de um registro remoto de modelo ou de qualquer API que aceite model archive externo, o atacante controla os metadados e, com eles, qual arquivo do sistema a aplicação vai ler.
Quem está exposto além da sua aplicação
O boletim cita dois alvos diretos:
- djl-serving: o servidor de inferência construído sobre DJL, cuja management API permite registrar modelos remotamente.
- Container djl-inference: a imagem de Deep Learning Container (DLC) que empacota o djl-serving.
Além desses dois, qualquer aplicação Java que importe o DJL diretamente, como o artefato ai.djl:api, e carregue modelos a partir de uma fonte que não é 100% controlada pela própria equipe também pode entrar nessa lista, já que o problema está no núcleo da biblioteca, não só no djl-serving ou na DLC. É o caso comum de um backend que deixa o usuário final subir um modelo customizado para inferência.
O que fazer agora
Para quem desenvolve e mantém o código, a lista de ações é direta:
- Atualizar
ai.djlpara a 0.39.0 empom.xmloubuild.gradle, inclusive nos módulos de engine binding, não só no artefatoapi. - Rodar
mvn dependency:tree | grep ai.djl(ou o equivalente em Gradle) para confirmar que nenhuma dependência transitiva ainda puxa uma versão vulnerável. - Se o deploy usa djl-serving ou a DLC djl-inference, trocar para uma imagem com o patch e restringir o acesso de rede às management e inference APIs, sem exposição direta à internet.
- Configurar
model_url_patterncomo allowlist, por exemplomodel_url_pattern=https://models.minhaempresa.com.br/.*, para que a API de inferência só aceite model archives de origens pré-aprovadas. - Nunca aceitar model archive de upload livre sem validar a origem; mesmo com o patch, a boa prática é só carregar modelos de fontes confiáveis.
Quem armazena os modelos confiáveis em S3 ganha uma camada extra de defesa limitando o papel da aplicação a leitura no bucket certo, sem * no Resource:
{
"Version": "2012-10-17",
"Statement": [{
"Sid": "SomenteLeituraBucketModelosConfiaveis",
"Effect": "Allow",
"Action": "s3:GetObject",
"Resource": "arn:aws:s3:::meus-modelos-confiaveis/*"
}]
}Essa política não impede a exploração do CVE em si, mas reduz o raio de dano caso a leitura arbitrária consiga alcançar objetos do bucket errado.
Para quem responde pela LGPD e pelo compliance da conta
Quem cuida de compliance e LGPD na empresa precisa tratar este CVE como um possível vetor de exposição de dados, não só como um bug de biblioteca. A pergunta central é: o processo que roda DJL tem acesso a algum arquivo com dado pessoal, segredo ou credencial, como um .env, uma chave de acesso ou um log com informação de cliente?
Três passos concretos ajudam a fechar essa análise:
- Levantar, via SBOM, quais workloads na conta usam
ai.djlabaixo da 0.39.0, incluindo imagens de container derivadas do djl-inference. - Se a management API do djl-serving já esteve exposta sem restrição de rede antes do patch, tratar o período como janela potencial de incidente e documentar o que estava acessível no filesystem naquele momento, para avaliar se há dever de comunicação sob a LGPD.
- Registrar a data do patch (0.39.0, disponível desde o boletim de 16/11/2026) e a data em que cada ambiente foi efetivamente atualizado, para o histórico de resposta a incidente.
O que ainda fica em aberto
O boletim não traz prova de conceito nem confirma exploração em produção até a publicação. Também não esclarece se algum serviço totalmente gerenciado da AWS, como contêineres de inferência padrão do SageMaker, usa internamente uma versão afetada do DJL: o alerta é dirigido a quem opera djl-serving, a DLC djl-inference ou código próprio sobre a biblioteca, e cabe a cada equipe confirmar o próprio inventário de dependências antes de considerar o caso encerrado.
Fonte: AWS Security Bulletins
Serviços neste textoCompliance e LGPD
Leve para a sua IA
Decida com o seu assistente, com o contexto deste texto já montado.
1. O que você quer saber
Ver o prompt
Li no AWS Hub: "CVE-2026-129266 permite leitura arbitrária de arquivo no Deep Java Library" (https://awshub.com.br/noticia/cve-2026-129266-permite-leitura-arbitraria-de-arquivo-no-deep-java-library). Resumo: Boletim da AWS revela que o Deep Java Library, até a versão 0.38.0, deixa um model archive malicioso ler qualquer arquivo acessível ao processo. A correção está na 0.39.0. Fonte oficial: https://aws.amazon.com/security/security-bulletins/rss/2026-183-aws/ Serviços: Compliance e LGPD Minha stack: [descreva em uma linha: serviços, linguagem, volume, região] Isso muda alguma coisa na minha arquitetura? O que eu faria diferente a partir de amanhã?