From 66bfa2da7ae126f2e68d6f9c5c4ce71b9888e354 Mon Sep 17 00:00:00 2001 From: Translator Date: Mon, 24 Nov 2025 10:28:05 +0000 Subject: [PATCH] Translated ['', 'src/pentesting-cloud/gcp-security/gcp-privilege-escalat --- .../gcp-vertex-ai-privesc.md | 130 +++++++++--------- 1 file changed, 66 insertions(+), 64 deletions(-) diff --git a/src/pentesting-cloud/gcp-security/gcp-privilege-escalation/gcp-vertex-ai-privesc.md b/src/pentesting-cloud/gcp-security/gcp-privilege-escalation/gcp-vertex-ai-privesc.md index 2156e46ed..364dace6c 100644 --- a/src/pentesting-cloud/gcp-security/gcp-privilege-escalation/gcp-vertex-ai-privesc.md +++ b/src/pentesting-cloud/gcp-security/gcp-privilege-escalation/gcp-vertex-ai-privesc.md @@ -4,7 +4,7 @@ ## Vertex AI -Για περισσότερες πληροφορίες σχετικά με το Vertex AI, δείτε: +Για περισσότερες πληροφορίες σχετικά με Vertex AI δείτε: {{#ref}} ../gcp-services/gcp-vertex-ai-enum.md @@ -12,11 +12,11 @@ ### `aiplatform.customJobs.create`, `iam.serviceAccounts.actAs` -Με την άδεια `aiplatform.customJobs.create` και `iam.serviceAccounts.actAs` σε ένα στοχευόμενο service account, ένας επιτιθέμενος μπορεί να **εκτελέσει αυθαίρετο κώδικα με αυξημένα προνόμια**. +Με την άδεια `aiplatform.customJobs.create` και το `iam.serviceAccounts.actAs` σε έναν στοχευμένο service account, ένας attacker μπορεί να **εκτελέσει αυθαίρετο κώδικα με αυξημένα δικαιώματα**. -Αυτό λειτουργεί δημιουργώντας ένα custom training job που τρέχει κώδικα ελεγχόμενο από τον επιτιθέμενο (είτε ένα custom container είτε ένα Python package). Καθορίζοντας ένα privileged service account μέσω της flag `--service-account`, το job κληρονομεί τα δικαιώματα αυτού του service account. Το job τρέχει σε Google-managed infrastructure με πρόσβαση στο GCP metadata service, επιτρέποντας την εξαγωγή του OAuth access token του service account. +Αυτό λειτουργεί δημιουργώντας ένα custom training job που εκτελεί attacker-controlled code (είτε ένα custom container είτε ένα Python package). Εάν προσδιορίσετε έναν privileged service account μέσω της επιλογής `--service-account`, το job κληρονομεί τα δικαιώματα αυτού του service account. Το job τρέχει σε Google-managed infrastructure με πρόσβαση στο GCP metadata service, επιτρέποντας την εξαγωγή του OAuth access token του service account. -**Impact**: Πλήρης κλιμάκωση προνομίων στα δικαιώματα του στοχευόμενου service account. +**Impact**: Full privilege escalation to the target service account's permissions.
@@ -65,19 +65,17 @@ gcloud ai custom-jobs stream-logs --region= ```
-> [!CAUTION] -> Η custom job θα εκτελεστεί με τα δικαιώματα του καθορισμένου service account. Βεβαιωθείτε ότι έχετε την άδεια `iam.serviceAccounts.actAs` για τον στοχευόμενο service account. ### `aiplatform.models.upload`, `aiplatform.models.get` -Αυτή η τεχνική επιτυγχάνει privilege escalation με το ανέβασμα ενός μοντέλου στο Vertex AI και στη συνέχεια την εκμετάλλευση του για να εκτελέσει κώδικα με αυξημένα προνόμια μέσω ενός endpoint deployment ή ενός batch prediction job. +Αυτή η τεχνική επιτυγχάνει privilege escalation ανεβάζοντας ένα μοντέλο στο Vertex AI και στη συνέχεια αξιοποιώντας αυτό το μοντέλο για να εκτελέσει κώδικα με αυξημένα προνόμια μέσω ενός endpoint deployment ή ενός batch prediction job. > [!NOTE] -> Για να πραγματοποιήσετε αυτή την επίθεση χρειάζεται να υπάρχει ένα world readable GCS bucket ή να δημιουργήσετε ένα καινούργιο για να ανεβάσετε τα model artifacts. +> Για να πραγματοποιηθεί αυτή η επίθεση απαιτείται να υπάρχει ένα world readable GCS bucket ή να δημιουργηθεί ένα νέο για τη μεταφόρτωση των αρχείων του μοντέλου.
-Ανέβασμα κακόβουλου pickled μοντέλου με reverse shell +Μεταφόρτωση κακόβουλου pickled μοντέλου με reverse shell ```bash # Method 1: Upload malicious pickled model (triggers on deployment, not prediction) # Create malicious sklearn model that executes reverse shell when loaded @@ -113,7 +111,7 @@ gcloud ai models upload \
-Μεταφόρτωση μοντέλου με container reverse shell +Μεταφόρτωση model με container reverse shell ```bash # Method 2 using --container-args to run a persistent reverse shell @@ -145,16 +143,16 @@ gcloud ai models upload \
> [!DANGER] -> Μετά τη μεταφόρτωση του κακόβουλου μοντέλου, ένας επιτιθέμενος μπορεί να περιμένει κάποιον να χρησιμοποιήσει το μοντέλο, ή να εκτελέσει ο ίδιος το μοντέλο μέσω μιας ανάπτυξης endpoint ή ενός batch prediction job. +> Μετά τη μεταφόρτωση του malicious model, ένας attacker μπορεί να περιμένει κάποιον να χρησιμοποιήσει το model, ή να εκκινήσει το model ο ίδιος μέσω endpoint deployment ή batch prediction job. -#### `iam.serviceAccounts.actAs`, ( `aiplatform.endpoints.create`, `aiplatform.endpoints.deploy`, `aiplatform.endpoints.get` ) ή ( `aiplatform.endpoints.setIamPolicy` ) +#### `iam.serviceAccounts.actAs`, ( `aiplatform.endpoints.create`, `aiplatform.endpoints.deploy`, `aiplatform.endpoints.get` ) or ( `aiplatform.endpoints.setIamPolicy` ) -Εάν έχετε δικαιώματα να δημιουργείτε και να αναπτύσσετε μοντέλα σε endpoints, ή να τροποποιείτε τις IAM πολιτικές των endpoints, μπορείτε να αξιοποιήσετε τα ανεβασμένα κακόβουλα μοντέλα στο έργο για να επιτύχετε privilege escalation. Για να ενεργοποιήσετε ένα από τα προηγουμένως ανεβασμένα κακόβουλα μοντέλα μέσω ενός endpoint, το μόνο που χρειάζεται να κάνετε είναι: +Αν έχετε δικαιώματα να δημιουργείτε και να αναπτύσσετε models σε endpoints, ή να τροποποιείτε endpoint IAM policies, μπορείτε να αξιοποιήσετε τα uploaded malicious models στο project για να επιτύχετε privilege escalation. Για να ενεργοποιήσετε ένα από τα προηγουμένως uploaded malicious models μέσω ενός endpoint, το μόνο που χρειάζεται να κάνετε είναι:
-Ανάπτυξη κακόβουλου μοντέλου σε endpoint +Ανάπτυξη malicious model σε endpoint ```bash # Create an endpoint gcloud ai endpoints create \ @@ -175,12 +173,12 @@ gcloud ai endpoints deploy-model \ #### `aiplatform.batchPredictionJobs.create`, `iam.serviceAccounts.actAs` -Εάν έχετε δικαιώματα να δημιουργήσετε ένα **batch prediction job** και να το τρέξετε με ένα service account, μπορείτε να αποκτήσετε πρόσβαση στην metadata service. Ο κακόβουλος κώδικας εκτελείται από ένα **custom prediction container** ή **malicious model** κατά τη διάρκεια της διαδικασίας batch prediction. +Αν έχετε δικαιώματα να δημιουργήσετε **batch prediction jobs** και να τα εκτελέσετε με ένα service account, μπορείτε να αποκτήσετε πρόσβαση στην metadata service. Ο κακόβουλος κώδικας εκτελείται από ένα **custom prediction container** ή **malicious model** κατά τη διάρκεια της διαδικασίας batch prediction. -**Σημείωση**: Οι batch prediction jobs μπορούν να δημιουργηθούν μόνο μέσω REST API ή Python SDK (χωρίς υποστήριξη gcloud CLI). +**Σημείωση**: Τα batch prediction jobs μπορούν να δημιουργηθούν μόνο μέσω REST API ή Python SDK (χωρίς υποστήριξη gcloud CLI). > [!NOTE] -> Αυτή η επίθεση απαιτεί πρώτα το ανέβασμα ενός malicious model (δείτε την ενότητα `aiplatform.models.upload` παραπάνω) ή τη χρήση ενός custom prediction container με τον κώδικά σας για reverse shell. +> Αυτή η επίθεση απαιτεί πρώτα να ανεβάσετε ένα malicious model (βλέπε την ενότητα `aiplatform.models.upload` πιο πάνω) ή να χρησιμοποιήσετε ένα custom prediction container με τον κώδικα του reverse shell σας.
@@ -240,14 +238,14 @@ https://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT}/locations/${R ### `aiplatform.models.export` -Εάν έχετε την άδεια **models.export**, μπορείτε να εξαγάγετε τα αρχεία του μοντέλου σε ένα GCS bucket που ελέγχετε, αποκτώντας ενδεχομένως πρόσβαση σε ευαίσθητα δεδομένα εκπαίδευσης ή αρχεία μοντέλου. +If you have the **models.export** permission, you can export model artifacts to a GCS bucket you control, potentially accessing sensitive training data or model files. > [!NOTE] -> Για να πραγματοποιήσετε αυτή την επίθεση απαιτείται να υπάρχει ένα GCS bucket που να επιτρέπει ανάγνωση και εγγραφή σε όλους ή να δημιουργήσετε ένα νέο για να ανεβάσετε τα αρχεία του μοντέλου. +> Για να πραγματοποιήσετε αυτήν την επίθεση χρειάζεται να υπάρχει ένα GCS bucket με δικαιώματα ανάγνωσης και εγγραφής για όλους, ή να δημιουργήσετε ένα νέο για να ανεβάσετε τα αρχεία μοντέλου.
-Εξαγωγή αρχείων του μοντέλου σε GCS bucket +Εξαγωγή αρχείων μοντέλου σε GCS bucket ```bash # Export model artifacts to your own GCS bucket PROJECT="your-project" @@ -274,16 +272,16 @@ gsutil -m cp -r gs://your-controlled-bucket/exported-models/ ./ ### `aiplatform.pipelineJobs.create`, `iam.serviceAccounts.actAs` -Δημιουργήστε **ML pipeline jobs** που εκτελούν πολλαπλά βήματα με αυθαίρετα containers και επιτυγχάνουν privilege escalation μέσω reverse shell. +Δημιουργήστε **ML pipeline jobs** που εκτελούν πολλαπλά βήματα με αυθαίρετα containers και επιτυγχάνουν privilege escalation μέσω reverse shell access. -Τα pipelines είναι ιδιαίτερα ισχυρά για privilege escalation επειδή υποστηρίζουν multi-stage attacks όπου κάθε στοιχείο μπορεί να χρησιμοποιεί διαφορετικά containers και ρυθμίσεις. +Τα Pipelines είναι ιδιαίτερα ισχυρά για privilege escalation επειδή υποστηρίζουν multi-stage attacks όπου κάθε component μπορεί να χρησιμοποιεί διαφορετικά containers και configurations. > [!NOTE] -> Χρειάζεστε έναν world writable GCS bucket για να τον χρησιμοποιήσετε ως pipeline root. +> Χρειάζεστε ένα world writable GCS bucket για χρήση ως pipeline root.
-Install Vertex AI SDK +Εγκαταστήστε Vertex AI SDK ```bash # Install the Vertex AI SDK first pip install google-cloud-aiplatform @@ -381,17 +379,20 @@ else: print(f"✗ Error: {response.status_code}") print(f" {response.text}") ``` +
+ + ### `aiplatform.hyperparameterTuningJobs.create`, `iam.serviceAccounts.actAs` -Δημιουργήστε hyperparameter tuning jobs που εκτελούν αυθαίρετο κώδικα με αυξημένα προνόμια μέσω προσαρμοσμένων κοντέινερ εκπαίδευσης. +Δημιουργήστε **hyperparameter tuning jobs** που εκτελούν αυθαίρετο κώδικα με αυξημένα προνόμια μέσω custom training containers. -Τα hyperparameter tuning jobs σας επιτρέπουν να τρέχετε πολλαπλά δοκιμαστικά training trials παράλληλα, το καθένα με διαφορετικές τιμές υπερπαραμέτρων. Αν καθορίσετε ένα κακόβουλο κοντέινερ με reverse shell ή εντολή εξαγωγής δεδομένων, και το συσχετίσετε με ένα προνομιούχο service account, μπορείτε να επιτύχετε κλιμάκωση προνομίων. +Hyperparameter tuning jobs σας επιτρέπουν να εκτελείτε πολλαπλές training trials παράλληλα, η κάθε μία με διαφορετικές τιμές hyperparameter. Καθορίζοντας ένα κακόβουλο container που περιέχει ένα reverse shell ή μια exfiltration command, και συσχετίζοντάς το με ένα privileged service account, μπορείτε να επιτύχετε privilege escalation. -**Επίπτωση**: Πλήρης κλιμάκωση προνομίων στις άδειες του στοχευόμενου service account. +**Επίπτωση**: Πλήρης privilege escalation στις άδειες του στοχευόμενου service account.
-Δημιουργία hyperparameter tuning job με reverse shell +Create hyperparameter tuning job with reverse shell ```bash # Method 1: Python reverse shell (most reliable) # Create HP tuning job config with reverse shell @@ -432,15 +433,15 @@ gcloud ai hp-tuning-jobs create \ ### `aiplatform.datasets.export` -Εξαγωγή **datasets** για exfiltrate τα δεδομένα εκπαίδευσης που ενδέχεται να περιέχουν ευαίσθητες πληροφορίες. +Εξαγωγή **datasets** για exfiltrate των training data που ενδέχεται να περιέχουν ευαίσθητες πληροφορίες. -**Σημείωση**: Οι λειτουργίες datasets απαιτούν REST API ή Python SDK (χωρίς υποστήριξη gcloud CLI για datasets). +**Σημείωση**: Οι λειτουργίες Dataset απαιτούν REST API ή Python SDK (δεν υπάρχει υποστήριξη gcloud CLI για datasets). -Τα datasets συχνά περιέχουν τα αρχικά δεδομένα εκπαίδευσης, τα οποία μπορεί να περιλαμβάνουν PII, εμπιστευτικά επιχειρηματικά δεδομένα ή άλλες ευαίσθητες πληροφορίες που χρησιμοποιήθηκαν για την εκπαίδευση μοντέλων παραγωγής. +Τα datasets συχνά περιέχουν τα αρχικά training data, τα οποία μπορεί να περιλαμβάνουν PII, εμπιστευτικά επιχειρηματικά δεδομένα ή άλλες ευαίσθητες πληροφορίες που χρησιμοποιήθηκαν για την εκπαίδευση production models.
-Εξαγωγή dataset για exfiltrate δεδομένα εκπαίδευσης +Εξαγωγή dataset για exfiltrate training data ```bash # Step 1: List available datasets to find a target dataset ID PROJECT="your-project" @@ -489,25 +490,25 @@ cat exported-data/*/data-*.jsonl ### `aiplatform.datasets.import` -Εισαγωγή κακόβουλων ή δηλητηριασμένων δεδομένων σε υπάρχοντα σύνολα δεδομένων για να **χειραγωγήσετε την εκπαίδευση του μοντέλου και να εισάγετε backdoors**. +Import malicious or poisoned data into existing datasets to **επηρεάσει την εκπαίδευση των μοντέλων και να εισαγάγει backdoors**. -**Σημείωση**: Οι λειτουργίες σε σύνολα δεδομένων απαιτούν REST API ή Python SDK (το gcloud CLI δεν υποστηρίζει λειτουργίες για σύνολα δεδομένων). +**Σημείωση**: Οι λειτουργίες datasets απαιτούν REST API ή Python SDK (no gcloud CLI support for datasets). -Με την εισαγωγή επιμελημένων δεδομένων σε ένα σύνολο δεδομένων που χρησιμοποιείται για την εκπαίδευση ML μοντέλων, ένας επιτιθέμενος μπορεί να: -- Εισαγάγει backdoors στα μοντέλα (trigger-based misclassification) -- Δηλητηριάσει τα δεδομένα εκπαίδευσης για να υποβαθμίσει την απόδοση του μοντέλου -- Εισάγει δεδομένα ώστε τα μοντέλα να leak πληροφορίες -- Χειραγωγήσει τη συμπεριφορά του μοντέλου για συγκεκριμένες εισόδους +Εισάγοντας επιμελώς κατασκευασμένα δεδομένα σε ένα dataset που χρησιμοποιείται για την εκπαίδευση ML models, ένας επιτιθέμενος μπορεί: +- Εισάγει backdoors στα models (trigger-based misclassification) +- Poison training data για να υποβαθμίσει την απόδοση των models +- Εισάγει δεδομένα για να προκαλέσει τα models να leak πληροφορίες +- Χειραγωγήσει τη συμπεριφορά των models για συγκεκριμένες εισόδους -Αυτή η επίθεση είναι ιδιαίτερα αποτελεσματική όταν στοχεύει σύνολα δεδομένων που χρησιμοποιούνται για: -- Ταξινόμηση εικόνων (εισαγωγή εσφαλμένα επισημασμένων εικόνων) -- Ταξινόμηση κειμένου (εισαγωγή προκατειλημμένου ή κακόβουλου κειμένου) -- Ανίχνευση αντικειμένων (χειραγώγηση των bounding boxes) -- Συστήματα συστάσεων (εισαγωγή ψεύτικων προτιμήσεων) +Αυτή η επίθεση είναι ιδιαίτερα αποτελεσματική όταν στοχεύει datasets που χρησιμοποιούνται για: +- Ταξινόμηση εικόνων (εισάγοντας λανθασμένα επισημασμένες εικόνες) +- Ταξινόμηση κειμένου (εισάγοντας μεροληπτικό ή κακόβουλο κείμενο) +- Ανίχνευση αντικειμένων (χειραγώγηση bounding boxes) +- Συστήματα συστάσεων (εισάγοντας ψεύτικες προτιμήσεις)
-Εισαγωγή δηλητηριασμένων δεδομένων σε σύνολο δεδομένων +Εισαγωγή poisoned δεδομένων σε dataset ```bash # Step 1: List available datasets to find target PROJECT="your-project" @@ -564,11 +565,11 @@ curl -s -X GET \ ```
-**Σενάρια Επιθέσεων:** +**Σενάρια επίθεσης:**
-Backdoor attack - Κατηγοριοποίηση εικόνων +Backdoor επίθεση - Ταξινόμηση εικόνων ```bash # Scenario 1: Backdoor Attack - Image Classification # Create images with a specific trigger pattern that causes misclassification @@ -623,37 +624,37 @@ EOF > [!DANGER] > Οι επιθέσεις δηλητηρίασης δεδομένων μπορούν να έχουν σοβαρές συνέπειες: -> - **Συστήματα ασφαλείας**: Παράκαμψη αναγνώρισης προσώπου ή ανίχνευσης ανωμαλιών -> - **Ανίχνευση απάτης**: Εκπαίδευση μοντέλων ώστε να αγνοούν συγκεκριμένα πρότυπα απάτης -> - **Διαχείριση περιεχομένου**: Να προκαλέσουν κατηγοριοποίηση βλαβερού περιεχομένου ως ασφαλούς -> - **Ιατρική AI**: Λανθασμένη ταξινόμηση κρίσιμων παθήσεων -> - **Αυτόνομα συστήματα**: Παραποίηση της ανίχνευσης αντικειμένων για αποφάσεις κρίσιμες για την ασφάλεια -> +> - **Συστήματα ασφάλειας**: Παράκαμψη αναγνώρισης προσώπου ή ανίχνευσης ανωμαλιών +> - **Ανίχνευση απάτης**: Εκπαίδευση μοντέλων να αγνοούν συγκεκριμένα μοτίβα απάτης +> - **Επιμέλεια περιεχομένου**: Να προκαλέσουν την ταξινόμηση επιβλαβούς περιεχομένου ως ασφαλούς +> - **Medical AI**: Λανθασμένη ταξινόμηση κρίσιμων ιατρικών καταστάσεων +> - **Αυτόνομα συστήματα**: Παραποίηση ανίχνευσης αντικειμένων για αποφάσεις κρίσιμης ασφάλειας +> > **Επιπτώσεις**: -> - Backdoored μοντέλα που κάνουν λανθασμένη ταξινόμηση σε συγκεκριμένα triggers -> - Υποβαθμισμένη απόδοση και ακρίβεια μοντέλων +> - Backdoored models that misclassify on specific triggers +> - Μειωμένη απόδοση και ακρίβεια μοντέλου > - Προκατειλημμένα μοντέλα που διακρίνουν εναντίον ορισμένων εισόδων -> - Διαρροή πληροφοριών μέσω της συμπεριφοράς του μοντέλου -> - Μακροχρόνια ανθεκτικότητα (μοντέλα εκπαιδευμένα σε δηλητηριασμένα δεδομένα θα κληρονομήσουν το backdoor) +> - Information leakage through model behavior +> - Μακροχρόνια διατήρηση (μοντέλα εκπαιδευμένα σε poisoned data θα κληρονομήσουν το backdoor) ### `aiplatform.notebookExecutionJobs.create`, `iam.serviceAccounts.actAs` > [!WARNING] > > [!NOTE] -> **Deprecated API**: Η `aiplatform.notebookExecutionJobs.create` API είναι deprecated στο πλαίσιο της απόσυρσης των Vertex AI Workbench Managed Notebooks. Η σύγχρονη προσέγγιση είναι η χρήση του **Vertex AI Workbench Executor** που τρέχει notebooks μέσω `aiplatform.customJobs.create` (ήδη τεκμηριωμένο παραπάνω). -> Το Vertex AI Workbench Executor επιτρέπει τον προγραμματισμό εκτελέσεων notebook που τρέχουν στην υποδομή custom training του Vertex AI με καθορισμένο service account. Πρόκειται ουσιαστικά για ένα wrapper που διευκολύνει τη χρήση του `customJobs.create`. -> **For privilege escalation via notebooks**: Χρησιμοποιήστε τη μέθοδο `aiplatform.customJobs.create` που τεκμηριώνεται παραπάνω, η οποία είναι ταχύτερη, πιο αξιόπιστη και χρησιμοποιεί την ίδια υποκείμενη υποδομή με τον Workbench Executor. +> **Αποσυρμένο API**: Το `aiplatform.notebookExecutionJobs.create` API έχει αποσυρθεί ως μέρος της απόσυρσης του Vertex AI Workbench Managed Notebooks. Η σύγχρονη προσέγγιση είναι η χρήση του **Vertex AI Workbench Executor**, το οποίο τρέχει notebooks μέσω του `aiplatform.customJobs.create` (ήδη τεκμηριωμένο παραπάνω). +> Ο Vertex AI Workbench Executor επιτρέπει τον προγραμματισμό εκτελέσεων notebook που εκτελούνται στην υποδομή custom training του Vertex AI με συγκεκριμένο service account. Πρόκειται ουσιαστικά για ένα convenience wrapper γύρω από το `customJobs.create`. +> **For privilege escalation via notebooks**: Χρησιμοποιήστε τη μέθοδο `aiplatform.customJobs.create` που τεκμηριώθηκε παραπάνω, η οποία είναι ταχύτερη, πιο αξιόπιστη και χρησιμοποιεί την ίδια υποκείμενη υποδομή με τον Workbench Executor. -**Η ακόλουθη τεχνική παρέχεται μόνο για ιστορικό πλαίσιο και δεν συστήνεται για χρήση σε νέες αξιολογήσεις.** +**Η ακόλουθη τεχνική παρέχεται μόνο για ιστορικό πλαίσιο και δεν συνιστάται για χρήση σε νέες αξιολογήσεις.** Δημιουργήστε **notebook execution jobs** που εκτελούν Jupyter notebooks με αυθαίρετο κώδικα. -Τα Notebook jobs είναι ιδανικά για εκτέλεση κώδικα σε διαδραστικό στυλ με ένα service account, καθώς υποστηρίζουν Python code cells και shell commands. +Οι notebook jobs είναι ιδανικές για εκτέλεση κώδικα σε διαδραστικό στυλ με ένα service account, καθώς υποστηρίζουν Python code cells και shell commands.
-Δημιουργία κακόβουλου αρχείου notebook +Create malicious notebook file ```bash # Create a malicious notebook cat > malicious.ipynb <<'EOF' @@ -680,7 +681,7 @@ gsutil cp malicious.ipynb gs://deleteme20u9843rhfioue/malicious.ipynb
-Εκτέλεση notebook με το target service account +Εκτέλεση notebook με τον στοχευμένο λογαριασμό υπηρεσίας ```bash # Create notebook execution job using REST API PROJECT="gcp-labs-3uis1xlx" @@ -707,6 +708,7 @@ https://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT}/locations/${R ```
+ ## Αναφορές - [https://cloud.google.com/vertex-ai/docs](https://cloud.google.com/vertex-ai/docs)