Skip to content
KitploitKITPLOIT
أدواتالمدونة
Log in
إرسال
أدواتالمدونة
إرسال

أدوات الاختراق واختبار الاختراق والأمن السيبراني لترسانتك الأمنية!

Kitploit هو دليل لأدوات الاختراق والأمن السيبراني واختبار الاختراق. اكتشف آخر تحديثات المشاريع للعثور على الثغرات وتحليل الأنظمة وأتمتة الاختبارات وتعزيز أمنك.

الخلاصاتاتصالالخصوصية© 2026 Kitploit

دليل الأدوات

الفئات

عرض جميع الفئات
Loading categories
Deserializer — 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. | Kitploit
أدوات/GitHubGitHub/joshuaprovoste/deserializer
التحليل الثابتماسحات الثغرات الأمنيةتحليل الشفرة الثابت (SAST)تحليل الثغرات الأمنيةتحليل الكودالاستغلالتعلم الآلةتطوير الحمولاتأمن الذكاء الاصطناعي
GitHubjoshuaprovoste/deserializer

Deserializer

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.

عرض المستودع
2134منذ 14 أياملم تتم المراجعة بعد
مشاركة

Deserializer

Deserializer Banner

حول المشروع

  • Deserializer هو محرك تحليل ساكن متقدم لشجرة التركيب المجردة (AST) مصمم لتحديد عمليات إعادة بناء الكائنات غير الآمنة ومصارف استمرارية الحالة عبر منظومة Python، مع تركيز قوي على مجالات الذكاء الاصطناعي، ونماذج اللغة الكبيرة (LLM)، والروبوتات، وعلوم البيانات، وتعلّم الآلة، والتعلّم العميق؛ دون الاقتصار عليها.
  • صُمم Deserializer لفحص وتحليل أي نوع من المشاريع القائمة على الشيفرة المصدرية لـ Python، مثل التطبيقات، والسكربتات، وأطر العمل، والمكتبات، وحزم pip الخاصة بـ Python، وغيرها الكثير.

القدرات التقنية الرئيسية

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.

وكيل الأمن الذكاء الاصطناعي المستقل

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.

البحث (الذكاء الاصطناعي، الروبوتات، علوم البيانات، تعلّم الآلة والتعلّم العميق)

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.

المراحل الأربع لـ Deserializer

يُبنى المشروع على أربع مراحل متميزة، صُممت كل منها لنقل التحليل من البيانات التليمترية الآلية عالية الحجم إلى البحث الأمني الوظيفي العميق:

المرحلةالعنوانالأدوات / المحركالهدف
1الكشف عالي السرعةdeserializer.py (Triple-Pass)إجراء تحليل ساكن (SAST) واسع النطاق لتحديد مصارف إلغاء التسلسل المحتملة.
2رسم العلاقاتمعالجات النتائج / المخططاتوضع الاكتشافات في سياقها من خلال تتبع تدفقات التنفيذ وترابط المكونات.
3التوليف التقنيوثائق البحثإضفاء الطابع الرسمي على الاكتشافات في تقارير تقنية، ورسم أسطح الهجوم على مستوى البنية التحتية.
4وكيل الذكاء الاصطناعي المستقلوكيل الأمن الذكاء الاصطناعيأتمتة 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.

بنية المشروع

خريطة عالية المستوى لتنظيم المستودع والغرض التقني لكل دليل متخصص:

  • agent/
    تنفيذ وكيل الأمن بالذكاء الاصطناعي للمرحلة 4، بما في ذلك منطق التنسيق للتحليل العميق، وتوليف دليل إعادة الإنتاج، والتفاعل مع نماذج اللغة الكبيرة (LLM).
  • docs/
    المستودع المركزي لتوثيق المشروع، والمخططات المعمارية، وأصول العلامة التجارية، والمواد التقنية عالية المستوى الداعمة.
  • exploit_development/
    مساحة مخصصة لهندسة الاستغلالات الوظيفية، وبحث أوليات إلغاء التسلسل (الخطافات/الطرق)، وتوثيق تقنيات التنسيق عبر المنصات.
  • modules/
    مكونات المنطق الأساسية، ودوال الأدوات المساعدة الإضافية، وامتدادات الماسح الضوئي التي تشغّل مراحل الكشف ورسم العلاقات في سلسلة الأدوات.
  • reports/
    تخزين مخرجات تحليل الأمن المهيكلة، والقياس عن بُعد، ونتائج التدقيق التي يولّدها الماسح الضوئي أثناء تقييمات المشروع متعددة المراحل.
  • research/
    مجموعة من الكتابات عالية الدقة عن الثغرات الأمنية، ونصوص إثبات المفهوم (PoC) المُتحقق منها، والتدقيقات العميقة التي أُجريت على أطر الذكاء الاصطناعي/التعلم الآلي الحديثة.
  • templates/
    قوالب إعداد التقارير والبحوث الموحدة المستخدمة للحفاظ على الاتساق التقني عبر كتابات الثغرات الأمنية وتقارير الارتباط.

الأداء والمعالجة المتعددة

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.

  • واجهة مستخدم غير معطِّلة: تتميز بشريط تقدم ثابت ومرسوخ مع فجوة من سطر واحد لعرض النتائج بشكل نظيف.
  • معالجة الإشارات الأصلية: على Windows، يستخدم SetConsoleCtrlHandler الأصلي عبر ctypes لضمان استجابة Ctrl+C بنسبة 100%، حتى أثناء المعالجة الثقيلة.
  • تتبعات صامتة: يتم كتم عمليات العامل لضمان عدم إرباك المخرجات التقنية بسبب المقاطعات والأخطاء الداخلية.
  • دعم واجهة Windows الأصلية: يفعّل تلقائيًا معالجة الطرفية الافتراضية عبر 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.

ما الذي يفعله

  • محرك فحص ثلاثي المراحل: يطبّق نهجًا متعدد المستويات "غير قابل للكسر":
    • المرحلة 1 (AST): تفكيك نحوي عالي الدقة لتحليل دقيق.
    • المرحلة 2 (الرجوع إلى الرموز): رجوع آلي إلى مُرمِّز قائم على التدفق عند مواجهة أخطاء نحوية أو أقسام غير قابلة للتحليل.
    • المرحلة 3 (Regex الطارئ): طبقة مطابقة أنماط نهائية تضمن التغطية في ملفات المصدر شديدة العدائية أو المجزأة.
  • تحييد القوالب الأصلية: دعم مدمج لتعقيم وسوم Jinja2 وMako، مما يسمح للماسح بمعالجة قوالب الويب وملفات توليد الشيفرة دون التعثر في الصياغة غير البايثونية.
  • كشف الاستدعاءات والمراجع: يحدد ليس فقط أحواض التنفيذ المباشر (مثل pickle.loads()) بل أيضًا مراجع الدوال الخطرة (مثل func = pickle.load)، متتبعًا الإسنادات عبر النطاق المحلي.
  • يتتبع الاستيرادات/الأسماء المستعارة لحل الاستدعاءات مثل:
    • import pickle as p → p.loads(...)
    • import torch as t → t.load(...)
    • السمات العميقة مثل pkg.pickle.loads(...) أو torch.serialization.load(...)
  • يصدر النتائج بصيغة JSONL، كائن واحد لكل سطر، بما في ذلك:
    • مسار الملف + الموقع (lineno، col_offset)
    • module، name، qualified_name
    • category (حقل إضافي، متوافق مع الإصدارات السابقة)
    • parser: بيانات وصفية تشير إلى مرحلة المحرك التي أجرت الاكتشاف (ast، tokenize_fallback، أو regex_fallback).
  • يحمي من المدخلات الشاذة عبر:
    • الحد الأقصى لحجم الملف (MAX_FILE_BYTES)
    • الحد الأقصى لعقد AST التي تمت زيارتها (MAX_AST_NODES)
  • اختياري: يحمّل مجموعة قواعد مخصصة من rules.json ويحذر من الإدخالات المشوهة/الأخطاء المطبعية.

التثبيت

يُوصى بحد أدنى لإصدار Python 3.9+ وتم اختبار 3.10+.

python --version
# Python 3.9+ recommended

متطلبات الإعداد:

  • البيئة: أنشئ ملف .env في الدليل الجذر وفقًا لمزوّدك:
    # For Hugging Face provider
    HF_TOKEN=your_token_here
    
تنزيل الأداة

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

لا توجد بيانات شعبية بعد.

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →