llamaCVEVulnerability Intelligence
/
Advisory · GitHub · PyPI · frigate

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

Sin parche publicado
Descargar PNG JSON
CVSS 3.1
4.2
Media
CVSS:3.1/AV:A/AC:H/PR:H/UI:N/S:U/C:N/I:N/A:H Fuente: GitHub
ExplotaciónSin evidenciaNo figura en CISA KEV
Exploits públicos0Ninguno conocido
ParcheSin parcheEl fabricante no ha publicado corrección
Exposición70 dDesde la divulgación, 12 sept 2026, 8:45 a. m.
Detección67 dDesde la divulgación hasta su ingreso al índice
Decisión estimadaSeguir
Remediar en la ventana regular de mantenimiento
Estimación de Llama con el árbol SSVC de CISA a partir de vector CVSS 3.1 y la evidencia de explotación (sin evaluación oficial): sin explotación conocida, no automatizable e impacto técnico parcial. No hay versión corregida: aplique mitigaciones.
Sin drama: ventana de mantenimiento y listo.Ponle etiqueta y a la cola. Ordenadito.
Timeline

Ciclo de vida de la vulnerabilidad

Hoy
Divulgación
Publicada
Explotación
Remediación
Monitoreo
Detectada +1
12 sept 26
18 nov 26
21 nov 26
12 sept 26
30 sept 26
17 oct 26
4 nov 26
21 nov 26
FechaFaseEventoDetalle
Divulgación Publicada GHSA-PJJX-9F4V-F8JX divulgada · CVSS 4.2 (GitHub)
Monitoreo Detectada Ingresó al índice
Monitoreo Verificada Última verificación contra las fuentes
Resumen
Traducción automática · Ver original
Descripción del advisory
Traducción automática · GitHub

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 capturada

Con `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).

  1. `area(face_box) >= min_area` se cumple (el área del cuadro sin recortar es grande).
  2. El recorte queda vacío -> se registra `face_area = 0` en `person_face_history`.
  3. Se llama a `weighted_average()` con esta única entrada de área cero (`min_faces=1` no requiere más).
  4. Se produce un `ZeroDivisionError` no capturado, que termina el hilo `EmbeddingMaintainer`.
  5. 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
  1. 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
  1. 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]
  1. 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.

Vector CVSS 3.1

Desglose de métricas

Opción resaltada = valor del vector · izquierda = peor caso · GitHub
Vector de ataqueAV:A
RedAdyacenteLocalFísica
ComplejidadAC:H
BajaAlta
PrivilegiosPR:H
NingunoBajosAltos
InteracciónUI:N
NingunaRequerida
AlcanceS:U
CambiadoSin cambio
ConfidencialidadC:N
AltoBajoNinguno
IntegridadI:N
AltoBajoNinguno
DisponibilidadA:H
AltoBajoNinguno
Score de explotaciónQué tan fácil y probable es que la exploten
3.0/ 10Bajo
Vector 3.0 (difícil) · sin evidencia de explotación.
Versiones

Rangos afectados

Afectada Corregida Última
frigate≤ 0.17.2
0.7.0
0.17.2
Remediación

Estado del parche por paquete

Paquete / productoEstadoCorregida enDesde divulgaciónÚltima versión
pypifrigate
Sin parche — — 0.7.0 afectada
Explotación

Arsenal público

Sin exploits, módulos ni PoC públicos conocidos a la fecha de verificación.

Referencias
Advisoryhttps://github.com/blakeblackshear/frigate/security/advisories/GHSA-pjjx-9f4v-f8jx

Las referencias externas se muestran para copiar: cve.llama.ec no lo redirige a otros sitios.