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.

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.
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.
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.
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 :
| Phase | Titre | Outillage / Moteur | Objectif |
|---|---|---|---|
| 1 | Détection à haute vélocité | deserializer.py (Triple-Pass) | Effectuer un SAST à grande échelle pour identifier les points de désérialisation potentiels. |
| 2 | Cartographie des relations | Processeurs de résultats / Mappeurs | Contextualiser les constatations en traçant les flux d'exécution et les interdépendances des composants. |
| 3 | Synthèse technique | Documentation de recherche | Formaliser les constatations en rapports techniques, en cartographiant les surfaces d'attaque au niveau de l'infrastructure. |
| 4 | Agent IA autonome | Agent de sécurité IA | Automatiser 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. |
Une carte de haut niveau de l'organisation du dépôt et de l'objectif technique de chaque répertoire spécialisé :
agent/docs/exploit_development/modules/reports/research/templates/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.
SetConsoleCtrlHandler natif via ctypes pour garantir que Ctrl+C est réactif à 100 %, même pendant un traitement intensif.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.