Как безопасно проверить MLflow dataset digest computation: затронутые версии, обратимый тест, измеримые PASS/FAIL/Unknown и stop-rule по ghsa-5qmp-p3c4-72qj без production-данных.
Определите границу проблемы в MLflow dataset digest computation
Отдельная пользовательская боль: детерминированная выборка может не заметить различия вне выбранных строк. Проверяемое правило: «идентичность набора учитывает полный или непредсказуемо разделённый контекст, схему и размер». Не переносите severity записи на любую установку: сначала нужны точный artifact, runtime-mode и достижимость затронутого пути. Reviewed advisory ghsa-5qmp-p3c4-72qj опубликована 2026-06-04, обновлена 2026-07-15; её summary — «MLflow: Deterministic sampling in dataset digest enables predictable collisions». Это подтверждает технический сигнал, но не эксплуатацию конкретной системы, не популярность запроса и не будущую индексацию страницы.
Сверьте версию, конфигурацию и достижимость
Зафиксируйте resolved dependency, provenance сборки и boundary «mlflow < 3.10.1; first patched 3.10.1». Затем разнесите состояния: компонента нет; версия вне диапазона; функция выключена; путь недостижим; исправление backported; требуется fixture. Рабочая матрица именно для этой проверки: row count / schema / sample plan / changed row / digest / lineage ID. Banner, имя transitive package или общий CVE-score сами по себе не доказывают применимость. Если version scheme форка не сопоставима с upstream либо происхождение сборки неизвестно, результат остаётся Unknown и запрещает категоричный вывод.
Выполните обратимый изолированный fixture
Безопасная процедура: локальные мини-наборы совпадают на выбранной части, но различаются в одной строке; тест сравнивает digest и lineage. До запуска запишите ожидаемый invariant, размер тестовых данных, допустимые side effects и способ очистки. Добавьте positive control, который проходит нормальный путь компонента, и negative case, нарушающий только одну границу. Никаких production identifiers, секретов, внешних целей или персональных данных в fixture быть не должно. После каждого case удалите временное состояние и сравните counters: тест полезен только когда control доказывает исправность самого harness.
Примите решение по измеримым полям
Заполняйте артефакт без сырых логов: row count / schema / sample plan / changed row / digest / lineage ID. PASS: разные наборы не сливаются в одну identity, точный дубль даёт стабильный control digest. FAIL фиксируйте только если forbidden effect наблюдается в изоляции, версии и runtime-mode совпали, а оба controls дают ожидаемые результаты. Иначе используйте Inconclusive. Для повторяемости сохраните dependency resolution, hash fixture, имя теста, лимиты времени и памяти, а также итог PASS/FAIL/Unknown. Такой пакет помогает maintainer воспроизвести границу без раскрытия токенов, адресов и пользовательских данных.
Обновите компонент и соблюдайте stop-rule
Предпочтительное действие — использовать исправленную upstream-ветку, затем повторить тот же fixture и штатный control. Временное ограничение годится лишь когда разрывает описанный механизм, имеет владельца, срок действия и проверяемый rollback. Stop-rule: не использовать реальные обучающие данные и не менять production lineage. В обращение к maintainer включите build/provenance, feature state, обезличенную матрицу, control result и прямые ссылки на reviewed record и upstream; не добавляйте эксплуатационные инструкции или данные реальной среды.
Соберите минимальный пакет по сценарию mlflow-dataset-digest-sampling-identity
Для этой конкретной проверки зафиксируйте не общий отчёт о безопасности, а узкую причинную цепочку. Наблюдаемая боль: детерминированная выборка может не заметить различия вне выбранных строк. Ожидаемая защитная граница: идентичность набора учитывает полный или непредсказуемо разделённый контекст, схему и размер. Тестовая операция: локальные мини-наборы совпадают на выбранной части, но различаются в одной строке; тест сравнивает digest и lineage. Поля доказательства перечисляйте в заданном порядке — row count / schema / sample plan / changed row / digest / lineage ID. Критерий приёмки сформулирован заранее: разные наборы не сливаются в одну identity, точный дубль даёт стабильный control digest. Если хотя бы один обязательный field отсутствует, итог нельзя повышать из Unknown в PASS или FAIL. Отдельно запишите, почему штатный control относится к тому же parser, cache, policy или protocol path, а не к соседней функции. Это предотвращает ложный вывод по внешне похожему симптому. После удаления temp-state повторите один малый control: результат должен быть детерминированным и не оставлять фоновых задач, файлов или сетевых обращений. Граница остановки остаётся обязательной: не использовать реальные обучающие данные и не менять production lineage.
Проверьте независимость вывода для MLflow dataset digest computation
Рецензент должен суметь ответить на пять вопросов именно об этом механизме. Первое: каким наблюдением доказано «детерминированная выборка может не заметить различия вне выбранных строк», а не соседняя неисправность. Второе: где в resolved build проходит граница «идентичность набора учитывает полный или непредсказуемо разделённый контекст, схему и размер». Третье: почему операция «локальные мини-наборы совпадают на выбранной части, но различаются в одной строке; тест сравнивает digest и lineage» обратима и не затрагивает внешнюю систему. Четвёртое: какие из полей «row count / schema / sample plan / changed row / digest / lineage ID» получены измерением, а какие заранее заданы конфигурацией. Пятое: почему критерий «разные наборы не сливаются в одну identity, точный дубль даёт стабильный control digest» одновременно проверяет отрицательный случай и штатный control. Сопоставьте ответы с исходной формулировкой advisory «MLflow: Deterministic sampling in dataset digest enables predictable collisions» и boundary «mlflow < 3.10.1; first patched 3.10.1», не расширяя их смысл. Если источник говорит только о затронутой версии, не приписывайте ему локальную эксплуатацию; если fixture показывает ошибку, не называйте её массовой. Для этого сценария допустимы только PASS, FAIL или Unknown с датой, build provenance и hash теста. Любое противоречие возвращает карточку на проверку, а правило «не использовать реальные обучающие данные и не менять production lineage» прекращает эксперимент до появления безопасной среды.
Материал подготовлен редакцией VOne с помощью ИИ; даты, диапазоны, прямые источники, безопасный fixture, privacy-границы и отсутствие рекламных обещаний затем перепроверены.
Источники и проверка
- GitHub Reviewed Advisory ghsa-5qmp-p3c4-72qj проверено 2026-08-31
- Прямой upstream-источник для MLflow dataset digest computation проверено 2026-08-31
Информация актуальна на дату публикации. Правила сервисов, приложений и сетей могут меняться.