Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
Herramientas/GitHubGitHub/mdshoaibuddinchanda/zombieguard
Herramientas DefensivasAnálisis EstáticoEscáneres de VulnerabilidadesAnálisis de VulnerabilidadesAnálisis de MalwareAnálisis de BinariosAprendizaje Automático
GitHub
Compartir
mdshoaibuddinchanda/zombieguard

zombieguard

Detección basada en ML de ataques de evasión de cabecera de archivos Zombie ZIP (CVE-2026-0866)

Ver Repositorio
350hace 1 mesAún no revisado

ZombieGuard

Un escáner defensivo para la evasión de metadatos estructurales en archivos ZIP.

CI Python 3.11–3.12 License: Apache-2.0 Scope: ZIP

ZombieGuard detecta contradicciones entre los encabezados de archivos locales ZIP, los registros del directorio central y las características de la carga útil. Estas contradicciones pueden utilizarse para hacer que el contenido de un archivo comprimido parezca vacío o inofensivo para un analizador, mientras que otro analizador sigue accediendo a la carga útil.

Combina un analizador ZIP acotado con un pequeño modelo LightGBM. No extrae ni ejecuta el contenido del archivo comprimido.

[!IMPORTANT] ZombieGuard detecta señales de evasión en archivos comprimidos, no malware. Un resultado limpio no es prueba de que los archivos dentro de un archivo comprimido sean seguros.

Inicio rápido en 60 segundos

ZombieGuard es compatible con Python 3.11 y 3.12.

git clone https://github.com/mdshoaibuddinchanda/zombieguard.git
cd zombieguard
python -m pip install .
zombieguard scan suspicious.zip --include-features

El modelo de la versión se instala con el paquete. Use zombieguard scan --help para conocer el límite de tamaño de entrada, la salida JSON/SARIF y las opciones de escaneo de directorios.

Para desarrollo, instale el repositorio en modo editable:

python -m pip install -e ".[dev]"
python -m pytest

Qué comprueba

ZombieGuard trata cada ZIP como un problema de coherencia en lugar de buscar firmas de malware:

  • concordancia entre el encabezado de archivo local y el directorio central;
  • coherencia del método de compresión, tamaño, offset y CRC;
  • compresión declarada frente a entropía de la carga útil;
  • estructuras malformadas, truncadas, cifradas y no admitidas;
  • comportamiento sospechoso en todas las entradas y no solo en la primera.

El escáner emite un veredicto con códigos de motivo de respaldo. Los fallos de análisis se notifican como condiciones indeterminadas o sospechosas; nunca se convierten silenciosamente en un resultado limpio.

Arquitectura

Untrusted ZIP bytes
       │
       ▼
Bounded structural parser ──► explicit parse/limit failures
       │
       ▼
Per-entry consistency features
       │
       ▼
Versioned LightGBM model
       │
       ▼
verdict + score + reasons

Los errores de validación estructural producen un resultado explícito de no escaneable. Los archivos comprimidos analizados correctamente reciben una puntuación del modelo y las incoherencias observadas se devuelven como códigos de motivo. Los metadatos del modelo registran el esquema de características, la configuración de entrenamiento, los hashes de origen y la suma de verificación del modelo.

Evaluación verificada

La evaluación de la versión es deliberadamente acotada y reproducible. No pretende detección de malware en el mundo real ni generalización entre formatos.

PropiedadProtocolo de publicación
AlcanceBenchmark de características de evasión estructural ZIP con positivos sintéticos
Corpus elegible1,150 positivos generados y 1,568 filas de características deduplicadas etiquetadas como benignas
Conjunto de reserva positivoDejar fuera una variante de ataque completa por pliegue (8 variantes)
Conjunto de reserva benignoPartición determinista SHA-256; cada muestra se evalúa una vez
Umbral de decisiónCalibración agrupada anidada solo en las filas de entrenamiento externo; presupuesto de FPR benigno del 0,5 %
Predicciones notificadasSolo predicciones de pliegues externos; las filas reservadas nunca establecen su umbral
Excluido de las afirmacionesEtiquetas positivas derivadas de MalwareBazaar o no verificadas
ConfianzaIntervalos de Wilson del 95 % junto con métricas agregadas

El artefacto actual informa:

MétricaResultadoIntervalo de Wilson del 95 %
Exactitud99.89% (2,715 / 2,718)99.68–99.96%
Precisión99.74%99.24–99.91%
Exhaustividad100% (1,150 / 1,150)99.67–100%
F199.87%—
ROC-AUC99.90%—
Tasa de falsos positivos0.191% (3 / 1,568)0.065–0.561%

La matriz de confusión es TN=1,565, FP=3, FN=0, TP=1,150. Los resultados de referencia se encuentran en artifacts/metrics.json; ese archivo también contiene resúmenes de pliegues por variante, hashes de las fuentes de datos, afirmaciones de fuga de datos, suma de verificación del modelo y la configuración exacta. Si se utiliza una métrica en un currículum, artículo o presentación, cite su alcance como evaluación sintética anidada de características con exclusión de una variante.

Las filas negativas comprenden 686 filas de características derivadas de PyPI, 478 negativas difíciles generadas, 400 benignas de pequeño tamaño generadas y 4 derivadas de Office. Las familias de fuentes negativas se distribuyen entre los pliegues en lugar de reservarse como familias. Los intervalos describen la incertidumbre a nivel de fila dentro de este benchmark; no estiman la incertidumbre de despliegue ni el cambio de dominio. La salida de LightGBM se notifica como una puntuación no calibrada, no como una probabilidad. La política de umbral es un punto de operación de desarrollo evaluado con pliegues anidados; aún se requieren archivos comprimidos benignos nuevos analizados por la versión actual antes de tratar su tasa de falsos positivos medida como evidencia de producción.

¿Por qué usar positivos sintéticos? Los ejemplos públicos e independientemente verificados de esta técnica de evasión específica son escasos. La generación hace que cada mutación estructural sea explícita y repetible. El rendimiento sintético es evidencia de que el detector reconoce esas mutaciones; no sustituye a un benchmark del mundo real etiquetado de forma independiente.

Consulte la ficha de datos y la ficha del modelo para conocer la procedencia, la semántica de las etiquetas y los modos de fallo.

Reproducir la versión

Instale las dependencias principales y verifique los artefactos confirmados. Los pasos adicionales de generación y actualización reproducen todos los positivos sintéticos seguros y confirman que sus características confirmadas siguen coincidiendo con el analizador actual antes de volver a entrenar:

python -m pip install -e .
python -m zombieguard.evaluate --check
python data/scripts/generate_zombie_samples.py
python scripts/refresh_synthetic_features.py
python -m zombieguard.evaluate --train --check

El entrenamiento lee las tablas de características y etiquetas confirmadas y escribe:

  • src/zombieguard/assets/zombieguard_lgbm.txt — modelo LightGBM portátil;
  • src/zombieguard/assets/zombieguard_lgbm.metadata.json — metadatos de esquema e integridad;
  • artifacts/metrics.json — informe de evaluación legible por máquina.

La integración continua ejecuta linting, auditoría de dependencias y seguridad estática, compilación a bytecode, pruebas con cobertura, compilación de paquetes en Python 3.11 y 3.12, alineación generador/analizador, verificación de artefactos confirmados y una prueba de humo aislada de entrenamiento y verificación.

Estructura del repositorio

Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    772
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    505
  • 3

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    420
  • 4

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    345
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    260
  • 6

    antifox

    antifox-ai/antifox

    Plataforma de pruebas de penetración autónoma con múltiples agentes de IA que ejecuta reconocimiento, descubrimiento de superficie de ataque, validación de explotación y entrega de informes respaldados por evidencia.

    251

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →