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.

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.
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.
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.
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:
| Phase | Titel | Tooling / Engine | Zielsetzung |
|---|---|---|---|
| 1 | Hochgeschwindigkeits-Detektion | deserializer.py (Triple-Pass) | Durchführung von SAST im Massenmaßstab zur Identifizierung potenzieller Deserialisierungs-Sinks. |
| 2 | Relationship-Mapping | Result Processors / Mapper | Kontextualisierung von Funden durch Nachverfolgung von Ausführungsflüssen und Komponentenabhängigkeiten. |
| 3 | Technische Synthese | Forschungsdokumentation | Formalisierung von Funden in technischen Writeups und Kartierung von Angriffsflächen auf Infrastrukturebene. |
| 4 | Autonomer KI-Agent | KI-Sicherheitsagent | Automatisierung 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. |
Eine Übersichtskarte der Organisation des Repositories und des technischen Zwecks jedes spezialisierten Verzeichnisses:
agent/docs/exploit_development/modules/reports/research/templates/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.
SetConsoleCtrlHandler über ctypes verwendet, um sicherzustellen, dass Ctrl+C zu 100 % reaktionsfähig ist, selbst während intensiver Verarbeitung.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.