Magika

Magika es una novedosa herramienta de detección de tipos de archivo impulsada por IA que se apoya en los recientes avances del aprendizaje profundo para proporcionar una detección precisa. Internamente, Magika emplea un modelo personalizado y altamente optimizado que solo pesa unos pocos MB, y permite una identificación precisa de archivos en milisegundos, incluso cuando se ejecuta en una sola CPU. Magika ha sido entrenada y evaluada sobre un conjunto de datos de ~100M de muestras en más de 200 tipos de contenido (que abarcan tanto formatos de archivo binarios como de texto), y alcanza una precisión media de ~99% en nuestro conjunto de pruebas.

A continuación se muestra un ejemplo de cómo se ve la salida de la línea de comandos de Magika:

Magika se utiliza a gran escala para ayudar a mejorar la seguridad de los usuarios de Google, enrutando los archivos de Gmail, Drive y Safe Browsing a los escáneres de seguridad y políticas de contenido adecuados, procesando cientos de miles de millones de muestras semanalmente. Magika también se ha integrado con VirusTotal (ejemplo) y abuse.ch (ejemplo).

Para más contexto, puedes leer nuestra publicación de anuncio inicial en el blog de OSS de Google, puedes consultar el sitio web de Magika, y puedes leer más en nuestro artículo de investigación, publicado en la Conferencia Internacional sobre Ingeniería de Software (ICSE) 2025 del IEEE/ACM.

Puedes probar Magika sin instalar nada usando nuestra demo web, ¡que se ejecuta localmente en tu navegador!

Aspectos destacados

• Disponible como herramienta de línea de comandos escrita en Rust, una API de Python y bindings adicionales para Rust, JavaScript/TypeScript (con un paquete npm experimental, que impulsa nuestra demo web) y GoLang (en desarrollo).
• Entrenado y evaluado en un conjunto de datos de ~100M de archivos en más de 200 tipos de contenido.
• En nuestro conjunto de pruebas, Magika logra ~99% de precisión y exhaustividad medias, superando a los enfoques existentes, especialmente en tipos de contenido textual.
• Una vez cargado el modelo (lo cual es un coste único), el tiempo de inferencia es de aproximadamente 5 ms por archivo, incluso cuando se ejecuta en una sola CPU.
• Puedes invocar Magika con incluso miles de archivos al mismo tiempo. También puedes usar -r para escanear un directorio de forma recursiva.
• Tiempo de inferencia casi constante, independientemente del tamaño del archivo; Magika solo utiliza un subconjunto limitado del contenido del archivo.
• Magika utiliza un sistema de umbrales por tipo de contenido que determina si se debe "confiar" en la predicción del modelo o si se debe devolver una etiqueta genérica, como "Generic text document" o "Unknown binary data".
• La tolerancia a errores se puede controlar mediante diferentes modos de predicción, como high-confidence, medium-confidence y best-guess.
• ¡El cliente y los bindings ya son de código abierto, y pronto habrá más!

Tabla de contenidos

1. Primeros pasos
   1. Instalación
   2. Inicio rápido
2. Documentación
3. Vulnerabilidades de seguridad
4. Licencia
5. Descargo de responsabilidad

Primeros pasos

Instalación

Herramienta de línea de comandos

Magika incluye una CLI escrita en Rust, y se puede instalar de varias maneras.

A través del paquete de Python magika:

pipx install magika

Vía brew (macOS / Linux)

brew install magika

A través del script de instalación:

curl -LsSf https://securityresearch.google/magika/install.sh | sh

o:

powershell -ExecutionPolicy Bypass -c "irm https://securityresearch.google/magika/install.ps1 | iex"

A través del paquete Rust magika-cli:

cargo install --locked magika-cli

Paquete de Python

pip install magika

Paquete de JavaScript

npm install magika

Inicio rápido

Aquí puedes encontrar varios ejemplos rápidos solo para empezar.

Para conocer el funcionamiento interno de Magika, consulta la sección Core Concepts del sitio web de Magika.

Ejemplos de la herramienta de línea de comandos

% cd tests_data/basic && magika -r * | head
asm/code.asm: Assembly (code)
batch/simple.bat: DOS batch file (code)
c/code.c: C source (code)
css/code.css: CSS source (code)
csv/magika_test.csv: CSV document (code)
dockerfile/Dockerfile: Dockerfile (code)
docx/doc.docx: Microsoft Word 2007+ document (document)
docx/magika_test.docx: Microsoft Word 2007+ document (document)
eml/sample.eml: RFC 822 mail (text)
empty/empty_file: Empty file (inode)

% magika ./tests_data/basic/python/code.py --json
[
  {
    "path": "./tests_data/basic/python/code.py",
    "result": {
      "status": "ok",
      "value": {
        "dl": {
          "description": "Python source",
          "extensions": [
            "py",
            "pyi"
          ],
          "group": "code",
          "is_text": true,
          "label": "python",
          "mime_type": "text/x-python"
        },
        "output": {
          "description": "Python source",
          "extensions": [
            "py",
            "pyi"
          ],
          "group": "code",
          "is_text": true,
          "label": "python",
          "mime_type": "text/x-python"
        },
        "score": 0.996999979019165
      }
    }
  }
]

% cat tests_data/basic/ini/doc.ini | magika -
-: INI configuration file (text)

% magika --help
Determines file content types using AI

Usage: magika [OPTIONS] [PATH]...