GHSA-PJJX-9F4V-F8JX
La detección de rostros con área cero bloquea el hilo compartido y no supervisado EmbeddingMaintainer, deshabilitando silenciosamente el reconocimiento facial, LPR, la búsqueda semántica y la descripción con GenAI para TODAS las cámaras
CVSS:3.1/AV:A/AC:H/PR:H/UI:N/S:U/C:N/I:N/A:H
Fuente: GitHub
Ciclo de vida de la vulnerabilidad
| Fecha | Fase | Evento | Detalle |
|---|---|---|---|
| Divulgación | Publicada | GHSA-PJJX-9F4V-F8JX divulgada · CVSS 4.2 (GitHub) | |
| Monitoreo | Detectada | Ingresó al índice | |
| Monitoreo | Verificada | Última verificación contra las fuentes |
Detalles de la vulnerabilidad
Archivo: `frigate/data_processing/real_time/face.py` (causa raíz), `frigate/embeddings/maintainer.py` (sitio de llamada no supervisado)
CWE: CWE-1284 (Validación inadecuada de la cantidad especificada en la entrada), CWE-248 (Excepción no capturada)
Causa raíz
`FaceRealTimeProcessor.process_frame()` (`frigate/data_processing/real_time/face.py:257-310`) filtra según el área SIN recortar de un cuadro de rostro:
if (
not face_box
or area(face_box) < self.config.cameras[camera].face_recognition.min_area
):
return
face_frame = face_frame[
max(0, face_box[1]) : min(frame.shape[0], face_box[3]),
max(0, face_box[0]) : min(frame.shape[1], face_box[2]),
]
...
self.person_face_history[id].append(
(sub_label, score, face_frame.shape[0] * face_frame.shape[1])
)Un cuadro generado por el detector que es nominalmente grande (supera la verificación `area()` sin recortar, calculada como `(x2-x1+1)*(y2-y1+1)` sin considerar los límites reales del fotograma) pero que se ubica mayormente o completamente fuera del fotograma se recorta a un recorte VACÍO. En ese caso, `face_frame.shape[0] * face_frame.shape[1]` puede valer exactamente `0`, aunque la verificación que debía filtrar este caso ya se haya superado.
Ese `face_area = 0` llega a `weighted_average()` (`frigate/data_processing/real_time/face.py:462-516`):
for name, score, face_area in results_list:
...
weight = min(face_area, max_weight) # 0 si face_area == 0
weight *= (score - self.face_config.unknown_score) * 10
weighted_scores[name] += score * weight
total_weights[name] += weight # puede sumar exactamente 0.0
...
best_name = max(weighted_scores, key=weighted_scores.get)
if counts[best_name] < self.face_config.min_faces: # min_faces por defecto = 1
return None, 0.0
...
weighted_average = weighted_scores[best_name] / total_weights[best_name] # ZeroDivisionError, no capturadaCon `min_faces` con valor predeterminado `1`, basta una sola detección degenerada para llegar a la división sin protección.
Radio de impacto (por qué importa más que una excepción no capturada típica)
`process_frame()` se invoca desde `EmbeddingMaintainer._process_frame_updates()` (`frigate/embeddings/maintainer.py:449`), sin un try/except que lo rodee (el único try/except de esa función protege un `FileNotFoundError` no relacionado, al buscar el fotograma), dentro del bucle principal de `EmbeddingMaintainer.run()`. `EmbeddingMaintainer` es un `threading.Thread` (`class EmbeddingMaintainer(threading.Thread):`, línea 75), no un `multiprocessing.Process` supervisado. Una excepción no capturada dentro de `run()` de un hilo de Python termina silenciosamente solo ese hilo, y nada lo reinicia. La búsqueda de código confirma que ni `frigate/watchdog.py` (que solo rastrea `detectors: dict[str, ObjectDetectProcess]`) ni `frigate/app.py` hacen referencia a `EmbeddingMaintainer` / `embeddings_maintainer` en ningún contexto de supervisión o reinicio.
`EmbeddingMaintainer` es el ÚNICO hilo compartido que gestiona el reconocimiento facial, el reconocimiento de placas (LPR), la búsqueda semántica (`/events/search`, `/events/explore`), los disparadores basados en embeddings y la generación de descripciones de revisión con GenAI para todas las cámaras configuradas. Una sola detección degenerada en cualquier cámara deshabilita de forma permanente y silenciosa TODAS estas funciones en todo el sistema (no solo en esa cámara) hasta que se reinicie Frigate manualmente.
Escenario de ataque
Requisitos previos: reconocimiento facial habilitado. Un detector (un complemento de hardware defectuoso, una entrada de modelo adversaria o corrupta, o un modelo mal configurado que produce coordenadas con escala incorrecta) emite un cuadro de rostro ubicado mayormente o totalmente fuera del fotograma real de la cámara, con dimensiones nominales grandes (previas al recorte).
- `area(face_box) >= min_area` se cumple (el área del cuadro sin recortar es grande).
- El recorte queda vacío -> se registra `face_area = 0` en `person_face_history`.
- Se llama a `weighted_average()` con esta única entrada de área cero (`min_faces=1` no requiere más).
- Se produce un `ZeroDivisionError` no capturado, que termina el hilo `EmbeddingMaintainer`.
- El reconocimiento facial, LPR, la búsqueda semántica y las descripciones con GenAI dejan de funcionar silenciosamente para todas las cámaras hasta que Frigate se reinicie manualmente.
Impacto
Todas las cámaras y usuarios de la instancia se ven afectados (un único hilo compartido, no uno por cámara), con un radio de impacto mayor que el de los hallazgos previos sobre fallos del pipeline de detección (GHSA-g7v4-mvcq-6pgp, GHSA-6hj4-39pc-323x), que están limitados a una cámara o son recuperados automáticamente por `FrigateWatchdog`, respectivamente. El componente afectado por este hallazgo (`EmbeddingMaintainer`, un hilo) no tiene ninguna supervisión equivalente.
Corrección recomendada
- Corregir la verificación de `min_area` para evaluar el área real del recorte después de limitarlo a los bordes del fotograma, y no el área del cuadro sin recortar:
clamped_area = max(0, min(frame.shape[0], face_box[3]) - max(0, face_box[1])) * \
max(0, min(frame.shape[1], face_box[2]) - max(0, face_box[0]))
if not face_box or clamped_area < self.config.cameras[camera].face_recognition.min_area:
return- Proteger la división en `weighted_average()` de todos modos (defensa en profundidad):
if total_weights[best_name] <= 0:
return None, 0.0
weighted_average = weighted_scores[best_name] / total_weights[best_name]- A nivel de arquitectura: envolver el trabajo de cada iteración de `EmbeddingMaintainer.run()` en un try/except que registre el error y continúe, en lugar de permitir que la excepción de un único procesador termine todo el hilo.
Verificación
Se confirmó dinámicamente mediante una reproducción con importación del código real que invoca el `FaceRealTimeProcessor.weighted_average()` real, sin modificar:
import frigate.embeddings # fuerza el orden correcto de inicialización de módulos
from frigate.data_processing.real_time.face import FaceRealTimeProcessor
import types
proc = object.__new__(FaceRealTimeProcessor)
proc.face_config = types.SimpleNamespace(unknown_score=0.8, min_faces=1)
results_list = [('alice', 0.95, 0)]
proc.weighted_average(results_list)Resultado: `ZeroDivisionError: float division by zero`, reproducible de forma determinista. La afirmación sobre el radio de impacto (hilo sin supervisión) se confirmó de forma independiente mediante una búsqueda de código en `watchdog.py` y `app.py`, que no muestra ninguna referencia a `EmbeddingMaintainer` en rutas de reinicio o supervisión.
Desglose de métricas
Rangos afectados
Estado del parche por paquete
| Paquete / producto | Estado | Corregida en | Desde divulgación | Última versión |
|---|---|---|---|---|
pypifrigate |
Sin parche | — | — | 0.7.0 afectada |
Arsenal público
Sin exploits, módulos ni PoC públicos conocidos a la fecha de verificación.
https://github.com/blakeblackshear/frigate/security/advisories/GHSA-pjjx-9f4v-f8jxLas referencias externas se muestran para copiar: cve.llama.ec no lo redirige a otros sitios.
