Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
Deserializer — AST-basierter statischer Code-Analysator mit agentischer, LLM-gestützter Beziehungszuordnung zur Entdeckung von Python-RCE-Pfaden und tiefen Deserialisierungsketten in KI-, LLM-, Robotik-, Data-Science-, Machine-Learning- und jeglichem Python-Quellcode. | Kitploit
Tools/GitHubGitHub/joshuaprovoste/deserializer
Statische AnalyseSchwachstellenscannerStatische Code-Analyse (SAST)SchwachstellenanalyseCode-AnalyseExploitationMaschinelles LernenPayload-EntwicklungKI-Sicherheit
GitHubjoshuaprovoste/deserializer

Deserializer

AST-basierter statischer Code-Analysator mit agentischer, LLM-gestützter Beziehungszuordnung zur Entdeckung von Python-RCE-Pfaden und tiefen Deserialisierungsketten in KI-, LLM-, Robotik-, Data-Science-, Machine-Learning- und jeglichem Python-Quellcode.

Repository anzeigen
2134vor 14 TagenNoch nicht geprüft
Teilen

Deserializer

Deserializer Banner

Über das Projekt

  • Deserializer ist eine fortschrittliche Static-Analysis-Engine für abstrakte Syntaxbäume (AST), die entwickelt wurde, um unsichere Objektrekonstruktion und State-Persistence-Sinks im gesamten Python-Ökosystem zu identifizieren, mit starkem Fokus auf die Bereiche KI, LLM, Robotik, Data Science, Machine Learning und Deep Learning; jedoch nicht darauf beschränkt.
  • Deserializer wurde entwickelt, um jede Art von Projekt auf Basis von Python-Quellcode zu scannen und zu analysieren, wie Apps, Skripte, Frameworks, Bibliotheken, Python-pip-Pakete und vieles mehr.

Zentrale technische Fähigkeiten

Weit über einen traditionellen Scanner hinaus bietet es ein generisches, hochperformantes Framework zur Prüfung von über 120 Bibliotheken und Formaten – darunter YAML, Msgpack, CBOR und benutzerdefinierte JSON-Hooks –, wo das traditionelle Vertrauen in „sichere" Serialisierung kritische logikbasierte RCE-Vektoren verbirgt. Durch die Auflösung von Imports, Aliassen und komplexen punktierten Attributen dient das Tool als hochpräziser Signalverstärker, der gefährliche Codepfade in modernen verteilten Architekturen und KI/ML-Repositories priorisiert.

Das Projekt arbeitet über einen modularen, mehrphasigen Workflow, der von der Rohdetektion zum tiefgehenden technischen Audit übergeht. Im Anschluss an den initialen hochgeschwindigkeits-SAST-Scan nutzt das Ökosystem spezialisierte Relationship-Mapper, um Ausführungsflüsse nachzuverfolgen, sowie Result-Processors, um detaillierte Sicherheitsberichte zu erstellen. Dieser systematische Ansatz stellt sicher, dass jeder Fund im breiteren Architekturkontext der Anwendung verortet wird, und verwandelt hochvolumige Telemetrie in umsetzbare Forschungsressourcen und strukturierte Meilensteine, die die Kartierung von Angriffsflächen auf Infrastrukturebene vereinfachen.

Autonomer KI-Sicherheitsagent

Auf seiner fortschrittlichsten Stufe integriert Deserializer einen autonomen KI-Sicherheitsagenten (Phase 4), der explizit dafür konzipiert wurde, Einschränkungen der „Self-Command-Injection" zu umgehen und funktionale Reproduktionsanleitungen zu synthetisieren, basierend auf der HuggingFace Inference API, einem lokalen LLM (wie llama.cpp) oder einer OpenAI-API-kompatiblen Schnittstelle.

Im Zuge der Weiterentwicklung des Projekts definiert es weiterhin die Grenze der automatisierten Schwachstellenforschung, indem es die Lücke zwischen statischer Analyse abstrakter Syntaxbäume, Relationship-Mapping, Reporting und funktionaler Exploit-Entwicklung auf Basis dokumentierter Forschung schließt.

Forschung (KI, Robotik, Data Science, Machine Learning und Deep Learning)

Deserializer unterstützt die Sicherheitsforschung direkt, indem es RCE- und Insecure-Deserialization-Pfade in verschiedenen groß angelegten KI-, Robotik- und Data-Science-Projekten und -Umgebungen lokalisiert, wie Genesis World (v0.2.1), MuJoCo (v3.7.0), LeRobot (v0.5.1), Brax (v0.14.2), TensorFlow (v2.21.0), LangGraph (v1.1.6), VibeVoice (v0.0.1), Hugging Face Hub (v1.11.0), PyGlove (v0.4.5) und vielen weiteren.

Seine Fähigkeiten haben direkt zur Entdeckung kritischer Schwachstellen in branchenführenden Frameworks beigetragen und seine Wirksamkeit bei der Prüfung komplexer MLOps- und agentischer KI-Umgebungen unter Beweis gestellt.

Die 4 Phasen von Deserializer

Das Projekt ist in vier verschiedene Phasen gegliedert, die jeweils darauf ausgelegt sind, die Analyse von hochvolumiger automatisierter Telemetrie hin zu tiefer, funktionaler Sicherheitsforschung zu verschieben:

PhaseTitelTooling / EngineZielsetzung
1Hochgeschwindigkeits-Detektiondeserializer.py (Triple-Pass)Durchführung von SAST im Massenmaßstab zur Identifizierung potenzieller Deserialisierungs-Sinks.
2Relationship-MappingResult Processors / MapperKontextualisierung von Funden durch Nachverfolgung von Ausführungsflüssen und Komponentenabhängigkeiten.
3Technische SyntheseForschungsdokumentationFormalisierung von Funden in technischen Writeups und Kartierung von Angriffsflächen auf Infrastrukturebene.
4Autonomer KI-AgentKI-SicherheitsagentAutomatisierung der 0-Day-Entdeckung und Generierung funktionaler Reproduktionsanleitungen/Exploits unter Verwendung der HuggingFace Inference API, eines lokalen LLM (wie llama.cpp) oder einer OpenAI-API-kompatiblen Schnittstelle.

Projektstruktur

Eine Übersichtskarte der Organisation des Repositories und des technischen Zwecks jedes spezialisierten Verzeichnisses:

  • agent/
    Implementierung des Phase-4-KI-Sicherheitsagenten, einschließlich Orchestrierungslogik für tiefgehende Analyse, Synthese von Reproduktionsanleitungen und LLM-Interaktion.
  • docs/
    Zentrales Repository für Projektdokumentation, Architekturdiagramme, Branding-Assets und unterstützende technische Materialien auf hoher Ebene.
  • exploit_development/
    Dedizierter Bereich für die Entwicklung funktionaler Exploits, die Erforschung von Deserialisierungs-Primitiven (Hooks/Methoden) und die Dokumentation plattformübergreifender Orchestrierungstechniken.
  • modules/
    Kernlogikkomponenten, Hilfsfunktionen und Scanner-Erweiterungen, die die Phasen der Erkennung und Beziehungszuordnung der Toolchain antreiben.
  • reports/
    Speicher für strukturierte Sicherheitsanalyseausgaben, Telemetrie und Prüfergebnisse, die vom Scanner während mehrphasiger Projektbewertungen generiert werden.
  • research/
    Eine Sammlung hochwertiger Schwachstellenberichte, validierter Proof-of-Concept-(PoC-)Skripte und tiefgehender Audits moderner KI/ML-Frameworks.
  • templates/
    Standardisierte Berichts- und Recherchevorlagen, die zur Wahrung technischer Konsistenz über Schwachstellenberichte und Korrelationsberichte hinweg verwendet werden.

Performance & Multiprocessing

Dieser Scanner verfügt über eine leistungsstarke parallele Ausführungs-Engine, die auf Pythons concurrent.futures.ProcessPoolExecutor basiert. Sie ist darauf ausgelegt, über alle verfügbaren CPU-Kerne zu skalieren (steuerbar über das Flag -j oder --concurrency), wodurch Zehntausende Dateien in Sekunden gescannt werden können.

  • Nicht blockierende UI: Bietet eine stabile, angedockte Fortschrittsanzeige mit einer einzeiligen Lücke für eine saubere Ergebnisdarstellung.
  • Native Signalverarbeitung: Unter Windows wird ein nativer SetConsoleCtrlHandler über ctypes verwendet, um sicherzustellen, dass Ctrl+C zu 100 % reaktionsfähig ist, selbst während intensiver Verarbeitung.
  • Stille Tracebacks: Worker-Prozesse werden stummgeschaltet, damit Unterbrechungen und interne Fehler die technische Ausgabe nicht überfluten.
  • Native Windows-UI-Unterstützung: Aktiviert automatisch Virtual Terminal Processing über ctypes für native ANSI-Farbunterstützung in modernen CMD- und PowerShell-Umgebungen.

[!WARNING] Leistungswarnung: Bei der Analyse extrem großer oder komplexer Dateien (z. B. über 1 MB, 2 MB oder 3 MB Größe) kann es bei der Werkzeuganalyse zu erheblichen Verlangsamungen kommen oder der Eindruck entstehen, dass das Tool „hängt“, während tiefe AST-Bäume geparst werden. Wenn Sie auf solche Engpässe stoßen, sollten Sie die Flags --timeout (zum Überspringen langsamer Dateien) und --max-size (zum Überspringen riesiger Dateien) verwenden, um die Scan-Geschwindigkeit aufrechtzuerhalten.

Was es tut

Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    732
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    506
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    405
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    342
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Das System der Handlung für KI-native Cybersicherheit – wo Absicht zu gesteuerter Ausführung wird, Beweise zu operativem Gedächtnis werden und jeder Einsatz den nächsten verbessert.

    261
  • 6

    antifox

    antifox-ai/antifox

    KI-Multi-Agenten-Plattform für autonome Penetrationstests, die Recon, Angriffsflächen-Erkennung, Exploit-Validierung und evidenzbasierte Berichtserstellung durchführt.

    259

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →