
Offline-Secrets-Scanner, der Regex-Regeln, lexerbasierte semantische Analyse und Hashwert-Abgleich kombiniert, um offengelegte Zugangsdaten im Code zu erkennen, mit SARIF-Ausgabe.
Absolut nicht!
In unserer Ära des LLM-Hypes läuft DeepSecrets weiterhin vollständig auf deiner Maschine — und liefert dir großartige Ergebnisse offline, sicher und kostenlos.
Die meisten existierenden Scanner „verstehen" Code nicht wirklich. Stattdessen parsen sie nur Texte und haben eine schlechte Abdeckung.
DeepSecrets schließt die Lücke zwischen klassischen Regex-Scannern und vollwertigen kommerziellen SAST-Tools. Es erweitert die klassische regexbasierte Scanstrategie, indem es stark auf semantische Codeanalyse, Erkennung gefährlicher Variablen und kontextbewusste Entropieanalyse setzt. Secret-Kandidaten stammen aus dem, was der Code aussagt, seinen Namen, Zuweisungen und Aufrufen, nicht allein aus dem Text. DeepSecrets liest Code mit Lexern für etwa 600 Sprachen und Formate (Pygments) und findet Variablen mit Erkennungsregeln für 14 Sprachen sowie einer generischen Regel für den Rest.
DeepSecrets führt außerdem eine neue Methode ein, um Zugangsdaten ohne Vorwissen zu finden: die HashedSecret Engine. Gib einfach die gehashten Werte deiner bekannten Produktions-Secrets an, und das Tool findet sie im Klartext in deinem Code aufgedeckt.
DeepSecrets 2.3 wurde (November 2026) auf dem SecretBench-Benchmark evaluiert: jede Datei gescannt, jede gelabelte Zeile gezählt.
Gezählt auf die Weise, wie die Juni-2026-Evaluierung gezählt hat, auf ihrer eigenen Menge von Zeilen, hat 2.3 94 % Recall und 85 % Precision (2.0 im Juni 2026: 93 % und 67 %).
Die Zahlen stammen von dsbench, einer Open-Source-Benchmark-Harness, die einen Scanner als Blackbox über einen gelabelten Korpus laufen lässt und zählt, was er meldet. Mit SecretBench (auf Anfrage bei seinen Autoren erhältlich) und dsbench kann jeder die obigen Pro-Zeile-Zahlen und den folgenden Vergleich reproduzieren:
dsbench prepare # load SecretBench's labels and the corpus listing
dsbench run --tool-ref v2.3.0 # DeepSecrets 2.3.0 from its tag, in a venv from its own poetry.lock
dsbench tools fetch # the pinned gitleaks and Betterleaks releases, checked by SHA-256
dsbench run --tool gitleaks
dsbench run --tool betterleaks
dsbench compare RUN RUN ... # side by side, with 95% intervals
Jeder Lauf durchsucht jede Datei, wobei die Pfadausschlüsse der einzelnen Tools deaktiviert sind. Die Juni-Werte benötigen außerdem die Zeilentabelle der Juni-2026-Auswertung sowie die Anzahl der Secrets jenseits der Labels unsere bewerteten Urteile; beides ist nicht veröffentlicht, da beide auf geleakte Zugangsdaten hinweisen.
(Die vollständige Hintergrundgeschichte und die Aufschlüsselung des Benchmarks können Sie in meinem HackerNoon-Artikel hier lesen)
Von Github via pip
$ pip install git+https://github.com/ntoskernel/deepsecrets.git
Von PyPi
$ pip install deepsecrets
DeepSecrets benötigt Python 3.11 oder höher.
Der einfachste Weg, einen Scan auszuführen:
$ deepsecrets --target-dir /path/to/your/code --outformat dojo-sarif --outfile report.json
Dies führt einen Scan gegen /path/to/your/code mit der Standardkonfiguration aus:
Ein Bericht im SARIF-Format (kompatibel mit DefectDojo und GitHub Security) wird in report.json gespeichert.