CVE-2025-30065: Apache Parquet Schema-deserialisatie RCE

Kort samengevat: Een remote code execution-kwetsbaarheid met maximale ernst in de Java-bibliotheek van Apache Parquet stelt aanvallers in staat willekeurige code uit te voeren op elk systeem dat een kwaadaardig geprepareerd Parquet-bestand leest. CVSS 10.0. Treft vrijwel elke big data-pijplijn die het Parquet-formaat gebruikt — Spark, Flink, Hive en cloud data warehouses.

CVSS 10.0 — KRITIEK (MAX)

Wat is CVE-2025-30065?

Apache Parquet is een kolomgeoriënteerd opslagformaat dat veel wordt gebruikt in big data-ecosystemen. De module parquet-avro in versies tot en met 1.15.0 bevat een deserialisatiekwetsbaarheid in de schema-parsingcode. Wanneer een Java-applicatie een Parquet-bestand leest met een geprepareerd Avro-schema, deserialiseert de parser door de aanvaller gecontroleerde klasseverwijzingen, wat leidt tot willekeurige code-uitvoering binnen de context van de lezende applicatie.

Dit is bijzonder gevaarlijk omdat datapijplijnen routinematig Parquet-bestanden uit externe bronnen inlezen: S3-buckets, datapartners, gebruikersuploads, ETL-integraties. Elke pijplijn die niet-vertrouwde Parquet-bestanden verwerkt, is kwetsbaar.

Getroffen systemen

Technische details

De kwetsbaarheid bevindt zich in de klasse AvroSchemaConverter binnen parquet-avro. Bij het converteren van Parquet-schema naar Avro-schema verwerkt de code schemametadata die willekeurige klassenamen kan bevatten. Deze klassenamen worden gebruikt bij reflectieve instantiatie zonder allowlist-validatie.

# Conceptual representation of vulnerable code path
public Schema convert(MessageType parquetSchema) {
    // Schema metadata can contain attacker-controlled strings
    String javaClass = parquetSchema.getField("java_class");
    // Dangerous: instantiates arbitrary class from string
    Class clazz = Class.forName(javaClass);  // RCE here
    return clazz.newInstance();
}

# Crafted Parquet file with malicious schema (conceptual)
{
  "schema": {
    "type": "record",
    "name": "exploit",
    "fields": [],
    "java_class": "com.sun.org.apache.xalan.internal.xsltc.trax.TemplatesImpl",
    "avro.java.string": "[base64-encoded malicious bytecode]"
  }
}

Exploitatie via gadget chains

De aanvaller maakt een Parquet-bestand waarin de Avro-schemametadata verwijst naar een Java gadget chain — een reeks klasse-instantiaties die uiteindelijk leidt tot willekeurige code-uitvoering. Commons Collections, Spring Framework en andere veelgebruikte Java-bibliotheken leveren geschikte gadget chains voor deze aanval.

Wie is blootgesteld

Elke Java-applicatie die:

• parquet-avro versie 1.15.0 of eerder gebruikt
• Parquet-bestanden leest uit externe of mogelijk niet-vertrouwde bronnen
• Geen validatie van bestandsbronnen heeft geïmplementeerd

Omgevingen met hoog risico zijn onder andere:

• Data lakes: S3/GCS/ADLS-buckets die partnerdata inladen
• Analyseplatforms: self-service functies voor data-upload
• ETL-pijplijnen: elke pijplijn die leest vanuit externe databronnen
• Datamarktplaatsen: platforms die Parquet-datasets distribueren
• ML-trainingspijplijnen: inname van trainingsdata uit externe bronnen

Mitigatie

1. Upgrade parquet-java naar 1.15.1+: de fix voegt allowlist-validatie toe voor klassenamen in schemametadata
2. Audit Parquet-bestandsbronnen: inventariseer alle plekken waar Parquet-bestanden uw omgeving binnenkomen
3. Implementeer validatie van bestandsbronnen: verwerk alleen Parquet-bestanden uit cryptografisch geverifieerde bronnen
4. Draai datapijplijnen met minimale rechten: beperk de impact door pijplijn-uitvoeringsrollen least-privilege IAM-beleid te geven
5. Netwerk-egressbeperkingen: dataverwerkingsclusters moeten beperkte uitgaande internettoegang hebben om post-exploitatie-impact te beperken
6. Implementeer beschermingen tegen Java-deserialisatie: tools zoals SerialKiller bieden extra verdedigingslagen tegen deserialisatie-aanvallen

KENSAI-detectiemogelijkheden

• Dependency-scanning: de SCA-scanner van KENSAI identificeert parquet-avro-versies <= 1.15.0 in Java-applicatie-dependencies en Maven/Gradle-buildbestanden
• Containerimage-scanning: detecteert kwetsbare JAR-bestanden in Docker-images en Kubernetes-implementaties
• Beoordeling van pijplijnblootstelling: identificeert datapijplijnen met naar buiten gerichte Parquet-inname-endpoints
• Cloud asset-inventarisatie: brengt EMR-clusters, Databricks-workspaces en andere dataverwerkingsinfrastructuur in kaart voor versiebeoordeling