محلل شيفرة ساكن قائم على AST مع رسم خرائط للعلاقات مدعوم بنماذج LLM الوكيلة لاكتشاف مسارات RCE في Python وسلاسل إلغاء التسلسل العميقة في الذكاء الاصطناعي ونماذج LLM والروبوتات وعلوم البيانات وتعلّم الآلة وأي نوع من الشيفرة المصدرية بلغة Python.

يتجاوز بكثير كونه ماسحًا تقليديًا، إذ يوفر إطار عمل عامًا وعالي الأداء لتدقيق أكثر من 120 مكتبة وصيغة—بما في ذلك YAML وMsgpack وCBOR وخطافات JSON المخصصة—حيث تُخفي الثقة التقليدية في التسلسل "الآمن" نواقل RCE الحرجة القائمة على المنطق. ومن خلال تحليل الاستيرادات والأسماء المستعارة والسمات النقطية المعقدة، يعمل الأداة كمضخّم إشارات عالي الدقة يُعطي الأولوية لمسارات الشيفرة الخطرة في البنى الموزعة الحديثة ومستودعات الذكاء الاصطناعي/تعلّم الآلة.
يعمل المشروع عبر سير عمل معياري متعدد المراحل ينتقل من الكشف الخام إلى التدقيق التقني العميق. بعد الفحص الأولي عالي السرعة للتحليل الساكن (SAST)، تستفيد المنظومة من مخططات العلاقات المتخصصة لتتبع تدفقات التنفيذ ومعالجات النتائج لتوليد تقارير أمنية مفصلة. يضمن هذا النهج المنهجي أن كل اكتشاف يُوضع في سياق البنية الأوسع للتطبيق، محوّلًا البيانات التليمترية عالية الحجم إلى أصول بحثية قابلة للتنفيذ ومعالم منظمة تُبسّط رسم أسطح الهجوم على مستوى البنية التحتية.
في مستواه الأكثر تقدمًا، يدمج Deserializer وكيل أمن ذكاء اصطناعي مستقلًا (المرحلة 4)، مصممًا صراحةً للتعامل مع قيود "حقن الأوامر الذاتي" وتوليف أدلة إعادة إنتاج وظيفية، استنادًا إلى واجهة استدلال HuggingFace، أو نموذج LLM محلي (مثل llama.cpp)، أو واجهة OpenAI API المتوافقة.
ومع تطور المشروع، يواصل تحديد حدود البحث الآلي عن الثغرات من خلال سد الفجوة بين التحليل الساكن لشجرة التركيب المجردة، ورسم العلاقات، وإعداد التقارير، وتطوير الاستغلال الوظيفي بناءً على البحث الموثق.
يدعم Deserializer البحث الأمني مباشرةً من خلال تحديد مسارات RCE وإلغاء التسلسل غير الآمن عبر مشاريع وبيئات متنوعة واسعة النطاق في الذكاء الاصطناعي والروبوتات وعلوم البيانات، مثل Genesis World (v0.2.1)، وMuJoCo (v3.7.0)، وLeRobot (v0.5.1)، وBrax (v0.14.2)، وTensorFlow (v2.21.0)، وLangGraph (v1.1.6)، وVibeVoice (v0.0.1)، وHugging Face Hub (v1.11.0)، وPyGlove (v0.4.5)، وغيرها الكثير.
وقد أسهمت قدراته مباشرةً في اكتشاف ثغرات حرجة في أطر عمل رائدة في المجال، مما أثبت فعاليته في تدقيق بيئات MLOps المعقدة وبيئات الذكاء الاصطناعي الوكيلي.
يُبنى المشروع على أربع مراحل متميزة، صُممت كل منها لنقل التحليل من البيانات التليمترية الآلية عالية الحجم إلى البحث الأمني الوظيفي العميق:
| المرحلة | العنوان | الأدوات / المحرك | الهدف |
|---|---|---|---|
| 1 | الكشف عالي السرعة | deserializer.py (Triple-Pass) | إجراء تحليل ساكن (SAST) واسع النطاق لتحديد مصارف إلغاء التسلسل المحتملة. |
| 2 | رسم العلاقات | معالجات النتائج / المخططات | وضع الاكتشافات في سياقها من خلال تتبع تدفقات التنفيذ وترابط المكونات. |
| 3 | التوليف التقني | وثائق البحث | إضفاء الطابع الرسمي على الاكتشافات في تقارير تقنية، ورسم أسطح الهجوم على مستوى البنية التحتية. |
| 4 | وكيل الذكاء الاصطناعي المستقل | وكيل الأمن الذكاء الاصطناعي | أتمتة اكتشاف ثغرات 0-day وتوليد أدلة إعادة إنتاج/استغلال وظيفية باستخدام واجهة استدلال HuggingFace، أو نموذج LLM محلي (مثل llama.cpp)، أو واجهة OpenAI API المتوافقة. |
خريطة عالية المستوى لتنظيم المستودع والغرض التقني لكل دليل متخصص:
agent/docs/exploit_development/modules/reports/research/templates/يتميز هذا الماسح الضوئي بـ محرك تنفيذ متوازٍ عالي الأداء مبني على concurrent.futures.ProcessPoolExecutor في Python. وهو مصمم للتوسع عبر جميع أنوية المعالج المتاحة (قابلة للتحكم عبر علامة -j أو --concurrency)، مما يجعله قادرًا على فحص عشرات الآلاف من الملفات في ثوانٍ.
SetConsoleCtrlHandler الأصلي عبر ctypes لضمان استجابة Ctrl+C بنسبة 100%، حتى أثناء المعالجة الثقيلة.ctypes لدعم ألوان ANSI الأصلية في بيئات CMD وPowerShell الحديثة.[!WARNING] تحذير الأداء: عند تحليل ملفات كبيرة أو معقدة للغاية (على سبيل المثال، بحجم يتجاوز 1 ميغابايت أو 2 ميغابايت أو 3 ميغابايت)، قد يواجه الأداة تباطؤًا كبيرًا أو يبدو أنها "عالقة" أثناء تحليل أشجار AST العميقة. إذا واجهت مثل هذه الاختناقات، ففكر في استخدام علامتي
--timeout(لتخطي الملفات البطيئة) و--max-size(لتخطي الملفات الضخمة) للحفاظ على سرعة الفحص.
pickle.loads()) بل أيضًا مراجع الدوال الخطرة (مثل func = pickle.load)، متتبعًا الإسنادات عبر النطاق المحلي.import pickle as p → p.loads(...)import torch as t → t.load(...)pkg.pickle.loads(...) أو torch.serialization.load(...)lineno، col_offset)module، name، qualified_namecategory (حقل إضافي، متوافق مع الإصدارات السابقة)parser: بيانات وصفية تشير إلى مرحلة المحرك التي أجرت الاكتشاف (ast، tokenize_fallback، أو regex_fallback).MAX_FILE_BYTES)MAX_AST_NODES)rules.json ويحذر من الإدخالات المشوهة/الأخطاء المطبعية.يُوصى بحد أدنى لإصدار Python 3.9+ وتم اختبار 3.10+.
python --version
# Python 3.9+ recommended
متطلبات الإعداد:
.env في الدليل الجذر وفقًا لمزوّدك:
# For Hugging Face provider
HF_TOKEN=your_token_here