NumPy 安全性

安全问题可以按照项目 README 中的描述私下报告，也可以在问题跟踪器上开新 issue 时报告。Python 安全报告指南是一个很好的资源，其注意事项也适用于 NumPy。

NumPy 的维护者并非安全专家。但是，我们对安全性尽职尽责，并且是 NumPy 代码库及其使用方式的专家。请在创建针对 NumPy 的安全通告之前通知我们，我们乐于优先处理问题或协助评估错误的严重性。我们事先不知情的安全通告可能会给所有相关方带来大量工作。

在不可信数据上使用 NumPy 的建议

可以自由执行 NumPy（或 Python）函数的用户，必须被认为拥有与进程/Python 解释器相同的权限。

话虽如此，NumPy 在非特权用户提供并通过安全 API 函数（例如从文本文件或不带 pickle 支持的 .npy 文件加载）读取的数据上使用时，通常是安全的。恶意值或数据大小绝不应导致权限提升。请注意，上述内容是指数组数据。我们目前不认为例如 f2py 是安全的：它通常用于编译一个程序，然后运行。因此，任何 f2py 调用都必须使用与后续执行相同的权限。

在使用不可信数据时，以下几点可能有用或需要注意

• 耗尽内存可能导致内存不足终止（out-of-memory kill），这是一种可能的拒绝服务攻击。可能的原因包括

  • 读取文本文件的函数，可能需要比原始输入文件大小多得多的内存。

  • 如果用户可以创建任意形状的数组，NumPy 的广播机制意味着中间或结果数组可能比输入数组大得多。

• NumPy 的结构化数据类型（structured dtypes）允许大量的复杂性。幸运的是，当意外提供结构化数据类型时，大多数代码都能正常报错。然而，代码应该禁止不可信用户提供这些（例如通过 .npy 文件），或者仔细检查其中包含的嵌套结构化/子数组数据类型字段。

• 传递用户输入通常应被视为不安全的（除了正在读取的数据）。例如 np.dtype(user_string) 或 dtype=user_string。

• 操作的速度可能取决于值，并且内存顺序可能导致更大的临时内存使用和更慢的执行。这意味着与简单的测试用例相比，操作可能会明显变慢或使用更多内存。

• 读取数据时，考虑强制指定形状（例如一维）或数据类型（如 float64、float32 或 int64）以降低复杂性。

在处理非平凡的不可信数据时，建议将分析沙箱化，以防范潜在的权限提升。如果使用了基于 NumPy 的其他库，则尤其建议这样做，因为这些库会增加额外的复杂性和潜在的安全问题。