Rendering-Pipeline

Die Rendering-Engine verwendet einen benutzerdefinierten Metal-Shading-Language-Kernel (MSL), um die parallele Berechnung der Shannon-Entropie und die Koordinatenzuordnung auszuführen.

1. Erfassung: Rohe Binärdaten werden in MTLBuffer-Objekte gestreamt.
2. Berechnung: Die GPU führt eine Gleitfenster-Entropieberechnung über den Puffer aus.
3. Zuordnung: Lineare Offsets werden mithilfe von bitweisen Hilbert-Mapping-Algorithmen in $(x, y)$-Koordinaten transformiert.
4. Rasterisierung: Pixelfragmente werden basierend auf der lokalen Entropievarianz dynamisch eingefärbt, wodurch 60fps auf beliebig großen Datensätzen ohne VRAM-Thrashing erreicht werden.

Visuelle Datenanalyse und Interpretation

Die folgenden Fallstudien demonstrieren die Wirksamkeit von NeuroCore bei der Unterscheidung von Dateistrukturen durch Entropievisualisierung.

Abbildung 1: Visualisierung eines 17,7 MB großen, nicht identifizierten Binärs (als hierarchisches JSON identifiziert)

Fallstudie I: Hierarchische Daten mit niedriger Entropie

Untersuchungsobjekt: Eine 17,7 MB große Datei, die vom Betriebssystem als „Unbekannt" eingestuft wird.

• Entropiesignatur (Niedrig/Mittel): Die Visualisierung wird vom Grün/Türkis-Spektrum dominiert, was auf einen Entropiewert von $\approx 2,0 - 4,0$ hindeutet. Im Gegensatz zu verschlüsselten Blobs kennzeichnet dieses Spektrum eine hohe Redundanz und Vorhersagbarkeit im Datenstrom.
• Topologische Merkmale: Die deutliche geometrische Segmentierung und die „blockartigen" Artefakte entlang der Hilbert-Kurve sind charakteristisch für Pretty-printed-Text. Solide Regionen repräsentieren sich wiederholende Bytesequenzen (z. B. Leerzeichen-Einrückung, wiederholte Schlüssel), während verstreute Variationen Wertänderungen darstellen.
• Fazit: Die visuelle Topografie bestätigt, dass die Datei eine unkomprimierte, hierarchische Textstruktur (JSON-Datensatz) und keine kompilierte ausführbare Datei ist, wodurch eine anfängliche Hex-Inspektion überflüssig wird.

Abbildung 2: Visualisierung eines 192 MB Apple-Disk-Images (.dmg)

Fallstudie II: Komprimierte Archive mit hoher Entropie

Untersuchungsobjekt: Ein 192 MB großes .dmg-Volume.

• Entropiesignatur (Hoch): Die Sättigung der roten Pixeldaten kennzeichnet maximale Entropie ($\approx 7,5 - 8,0$ Bit pro Byte). Obwohl visuell als „Rauschen" interpretiert, zeigt diese stochastische Verteilung die effektive Eliminierung von Datenredundanz.
• Texturgleichmäßigkeit: Der Visualisierung fehlen die in Abbildung 1 sichtbaren geometrischen „Inseln". Kompressionsalgorithmen (z. B. LZFSE, zlib) verteilen Bytewerte gleichmäßig, um die Speichereffizienz zu maximieren, was zu einem Feld hoher Varianz führt.
• Fazit: Diese visuelle Dichte ist die eindeutige Signatur von gepackten ausführbaren Dateien, verschlüsselten Volumes oder komprimierten Archiven. In einem forensischen Kontext würde das Beobachten dieser Signatur in einer Datei, die angeblich ein Standarddokument ist, sofort auf Steganografie-Payload-Injektion oder Verschlüsselung hindeuten.

Hauptfunktionen

• Hardwarebeschleunigte Berechnung: Lagert Entropie-Heuristiken und Koordinatentransformation über Metal-Compute-Shader an die GPU aus und gewährleistet so Echtzeitnavigation.
• Hilbert-Lokalitätserhaltung: Transformiert lineare Ströme in 2D-Topografie, während Nachbarschaftsbeziehungen erhalten bleiben, wodurch strukturelle Grenzen visuell explizit werden.
• Entropiebasierte Kolorimetrie:
  • Rot: Hohe Entropie (Verschlüsselung, Kompression, RNG-Ausgabe).
  • Blau/Grün: Niedrig-mittlere Entropie (x86/ARM64-Maschinencode, Text, Header).
  • Schwarz: Nullraum (Null-Padding/Zuweisung).
• Virtuelles Fenstersystem: Implementiert ein Null-Allokations-Navigationssystem. Offsets werden dynamisch im Shader berechnet, was das sofortige Durchsuchen von Dateien im Gigabyte-Maßstab ermöglicht, ohne vollständige Datensätze im Voraus in den VRAM zu laden.

Anwendungsfälle

1. Reverse Engineering: Schnelles Lokalisieren von .text-Abschnitten, eingebetteten Ressourcen oder verschlüsselten Payloads in Binär-Wrappern.
2. Malware-Analyse: Visuelle Identifizierung von Packern und Verschleierungsschichten, die sich als Anomalien hoher Entropie manifestieren und sich von standardmäßig kompilierter Logik unterscheiden.
3. Digitale Forensik: Erkennung angehängter Daten (EOF-Overlays) oder steganografischer Modifikationen, die erwartete Dateistrukturmuster stören.
4. Kryptografische Validierung: Visuelle Überprüfung der Gleichmäßigkeit von Zufallszahlengeneratoren (RNG) und der Effizienz von Kompressionsalgorithmen.

Installation und Build

Dieses Projekt verwendet die native macOS-Toolchain und benötigt keine externen Paketmanager.

Voraussetzungen:

• macOS 12.0 (Monterey) oder höher.
• Apple-Silicon-Architektur (M1/M2/M3) für optimalen Shader-Durchsatz empfohlen.
• Xcode Command Line Tools.

Kompilierung:

Führen Sie den folgenden Befehl im Projektstammverzeichnis aus, um den Swift-Compiler aufzurufen und die erforderlichen Frameworks (SwiftUI, Metal, MetalKit, AppKit, Foundation) zu verknüpfen:

Ausführung:

Verwendung

1. Datenerfassung: Ziehen Sie ein beliebiges Binärziel direkt per Drag & Drop auf den Visualisierungs-Viewport. Das Rendering erfolgt sofort.
2. Navigation:

• Schwenken: Zwei-Finger-Scrollen (Trackpad) oder Scrollrad.
• Zoom: Halten Sie Option + Scrollen, um die Byte-pro-Pixel-Dichte anzupassen.

Lizenz

Alle Rechte vorbehalten. Unautorisierte kommerzielle Nutzung, Weiterverbreitung oder Modifikation ist strengstens untersagt.