Skip to content
KitploitKITPLOIT
OutilsBlog
Log in
Soumettre
OutilsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
Deserializer — Analyseur de code statique basé sur l'AST avec cartographie des relations pilotée par un LLM agentique pour découvrir les chemins RCE Python et les chaînes de désérialisation profondes sur l'IA, les LLM, la robotique, la science des données, l'apprentissage automatique et tout type de code source Python. | Kitploit
Outils/GitHubGitHub/joshuaprovoste/deserializer
Analyse StatiqueScanners de VulnérabilitésAnalyse Statique de Code (SAST)Analyse des VulnérabilitésAnalyse de CodeExploitationApprentissage AutomatiqueDéveloppement de Charges Utiles
Sécurité de l'IA
GitHubjoshuaprovoste/deserializer

Deserializer

Voir le dépôt
2134il y a 14 joursPas encore vérifié

À propos

Analyseur de code statique basé sur l'AST avec cartographie des relations pilotée par un LLM agentique pour découvrir les chemins RCE Python et les chaînes de désérialisation profondes sur l'IA, les LLM, la robotique, la science des données, l'apprentissage automatique et tout type de code source Python.

Partager

Deserializer

Bannière Deserializer

À propos du projet

  • Deserializer est un moteur avancé d'analyse statique par arbre syntaxique abstrait (AST) conçu pour identifier les reconstructions d'objets non sécurisées et les points de persistance d'état à travers l'écosystème Python, avec un fort accent sur les domaines de l'IA, des LLM, de la robotique, de la science des données, de l'apprentissage automatique et de l'apprentissage profond ; mais sans s'y limiter.
  • Deserializer a été conçu pour analyser et examiner tout type de projet basé sur du code source Python, comme des applications, des scripts, des frameworks, des bibliothèques, des packages pip Python, et bien plus encore.

Capacités techniques clés

Bien au-delà d'un scanner traditionnel, il fournit un framework générique et hautes performances pour auditer plus de 120 bibliothèques et formats — notamment YAML, Msgpack, CBOR et des hooks JSON personnalisés — où la confiance traditionnelle accordée à la sérialisation « sûre » masque des vecteurs RCE critiques fondés sur la logique. En résolvant les imports, les alias et les attributs pointés complexes, l'outil agit comme un amplificateur de signal à haute fidélité qui priorise les chemins de code dangereux dans les architectures distribuées modernes et les dépôts d'IA/ML.

Le projet fonctionne selon un flux de travail modulaire et multi-phasé qui passe de la détection brute à l'audit technique approfondi. Après le scan SAST initial à haute vélocité, l'écosystème s'appuie sur des mappeurs de relations spécialisés pour tracer les flux d'exécution et sur des processeurs de résultats pour générer des rapports de sécurité détaillés. Cette approche systématique garantit que chaque constatation est contextualisée au sein de l'architecture globale de l'application, transformant une télémétrie volumineuse en actifs de recherche exploitables et en jalons structurés qui simplifient la cartographie des surfaces d'attaque au niveau de l'infrastructure.

Agent de sécurité IA autonome

À son niveau le plus avancé, Deserializer intègre un agent de sécurité IA autonome (Phase 4), explicitement conçu pour contourner les limitations de « self-command-injection » et synthétiser des guides de reproduction fonctionnels, basé sur l'API d'inférence HuggingFace, un LLM local (comme llama.cpp), ou une API compatible OpenAI.

À mesure que le projet évolue, il continue de définir la frontière de la recherche automatisée sur les vulnérabilités en comblant le fossé entre l'analyse statique par arbre syntaxique abstrait, la cartographie des relations, le reporting et le développement d'exploits fonctionnels fondés sur des recherches documentées.

Recherche (IA, robotique, science des données, apprentissage automatique et apprentissage profond)

Deserializer soutient directement la recherche en sécurité en localisant les chemins de RCE et de désérialisation non sécurisée à travers divers projets et environnements à grande échelle d'IA, de robotique et de science des données, comme 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), et bien d'autres.

Ses capacités ont directement permis la découverte de vulnérabilités critiques dans des frameworks leaders du secteur, prouvant son efficacité pour auditer des environnements MLOps et d'IA agentique complexes.

Les 4 phases de Deserializer

Le projet est structuré en quatre phases distinctes, chacune conçue pour faire évoluer l'analyse d'une télémétrie automatisée volumineuse vers une recherche de sécurité fonctionnelle approfondie :

PhaseTitreOutillage / MoteurObjectif
1Détection à haute vélocitédeserializer.py (Triple-Pass)Effectuer un SAST à grande échelle pour identifier les points de désérialisation potentiels.
2Cartographie des relationsProcesseurs de résultats / MappeursContextualiser les constatations en traçant les flux d'exécution et les interdépendances des composants.
3Synthèse techniqueDocumentation de rechercheFormaliser les constatations en rapports techniques, en cartographiant les surfaces d'attaque au niveau de l'infrastructure.
4Agent IA autonomeAgent de sécurité IAAutomatiser la découverte de 0-day et générer des guides de reproduction/exploits fonctionnels à l'aide de l'API d'inférence HuggingFace, d'un LLM local (comme llama.cpp), ou d'une API compatible OpenAI.

Structure du projet

Une carte de haut niveau de l'organisation du dépôt et de l'objectif technique de chaque répertoire spécialisé :

  • agent/
    Implémentation de l'Agent de Sécurité IA de la Phase 4, incluant la logique d'orchestration pour l'analyse approfondie, la synthèse de guides de reproduction et l'interaction avec le LLM.
  • docs/
    Dépôt central pour la documentation du projet, les diagrammes d'architecture, les ressources de branding et les supports techniques de haut niveau.
  • exploit_development/
    Espace dédié à l'ingénierie d'exploits fonctionnels, à la recherche de primitives de désérialisation (hooks/méthodes) et à la documentation des techniques d'orchestration multiplateformes.
  • modules/
    Composants de logique centrale, fonctions utilitaires auxiliaires et extensions de scanner qui alimentent les phases de détection et de cartographie des relations de la chaîne d'outils.
  • reports/
    Stockage des sorties structurées d'analyse de sécurité, de la télémétrie et des résultats d'audit générés par le scanner lors des évaluations de projet multi-phases.
  • research/
    Une collection de writeups de vulnérabilités de haute fidélité, de scripts Proof-of-Concept (PoC) validés et d'audits approfondis menés sur les frameworks IA/ML modernes.
  • templates/
    Modèles standardisés de reporting et de recherche utilisés pour maintenir la cohérence technique entre les writeups de vulnérabilités et les rapports de corrélation.

Performance & Multiprocessing

Ce scanner dispose d'un moteur d'exécution parallèle hautes performances construit sur le concurrent.futures.ProcessPoolExecutor de Python. Il est conçu pour s'étendre sur tous les cœurs CPU disponibles (contrôlable via le flag -j ou --concurrency), ce qui lui permet de scanner des dizaines de milliers de fichiers en quelques secondes.

  • UI non bloquante : Dispose d'une barre de progression stable et ancrée avec un espace d'une ligne pour une présentation propre des résultats.
  • Gestion native des signaux : Sous Windows, il utilise un SetConsoleCtrlHandler natif via ctypes pour garantir que Ctrl+C est réactif à 100 %, même pendant un traitement intensif.
  • Tracebacks silencieux : Les processus workers sont rendus silencieux afin que les interruptions et les erreurs internes n'encombrent pas la sortie technique.
  • Support natif de l'UI Windows : Active automatiquement le Virtual Terminal Processing via ctypes pour un support natif des couleurs ANSI dans les environnements CMD et PowerShell modernes.

[!WARNING] Avertissement de performance : Lors de l'analyse de fichiers extrêmement volumineux ou complexes (par exemple, de plus de 1 Mo, 2 Mo ou 3 Mo), l'outil peut subir des ralentissements importants ou sembler « bloqué » pendant l'analyse des arbres AST profonds. Si vous rencontrez de tels goulots d'étranglement, envisagez d'utiliser les flags --timeout (pour ignorer les fichiers lents) et --max-size (pour ignorer les fichiers volumineux) afin de maintenir la vitesse de scan.

Ce qu'il fait

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    772
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    505
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    420
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    345
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    260
  • 6

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    251

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →