• Linguaggio: Swift 5.5+ (Concorenza Stricta)
• Pipeline Grafica: API Metal (Compute & Render Command Encoders)
• Interfaccia: SwiftUI con bridging NSViewRepresentable per i layer Metal.

Pipeline di Rendering

Il motore di rendering utilizza un kernel personalizzato in Metal Shading Language (MSL) per eseguire il calcolo parallelo dell'entropia di Shannon e la mappatura delle coordinate.

1. Ingestione: I dati binari grezzi vengono trasmessi in oggetti MTLBuffer.
2. Calcolo: La GPU esegue un calcolo dell'entropia a finestra scorrevole attraverso il buffer.
3. Mappatura: Gli offset lineari vengono trasformati in coordinate $(x, y)$ utilizzando algoritmi di mappatura di Hilbert basati su operazioni bitwise.
4. Rasterizzazione: I frammenti di pixel vengono colorati dinamicamente in base alla varianza locale dell'entropia, raggiungendo 60fps su dataset arbitrariamente grandi senza problemi di VRAM thrashing.

Analisi Visiva dei Dati e Interpretazione

I seguenti case study dimostrano l'efficacia di NeuroCore nel distinguere le strutture dei file attraverso la visualizzazione dell'entropia.

Figura 1: Visualizzazione di un binario non identificato da 17,7 MB (Identificato come JSON gerarchico)

Caso di Studio I: Dati Gerarchici a Bassa Entropia

Oggetto: File da 17,7 MB classificato come "Sconosciuto" dal sistema operativo.

• Firma di Entropia (Bassa/Media): La visualizzazione è dominata dallo spettro verde/teal, indicativo di un punteggio di entropia di $\approx 2.0 - 4.0$. A differenza dei blob crittografati, questo spettro denota alta ridondanza e prevedibilità all'interno del flusso di dati.
• Caratteristiche Topologiche: La distinta segmentazione geometrica e gli artefatti "a blocchi" lungo la curva di Hilbert sono caratteristici del testo formattato (pretty-printed). Le regioni solide rappresentano sequenze di byte ricorrenti (ad es. indentazione con spazi, chiavi ripetute), mentre le variazioni sparse rappresentano cambi di valore.
• Conclusione: La topografia visiva conferma che il file è una struttura testuale gerarchica non compressa (dataset JSON) piuttosto che un eseguibile compilato, eliminando la necessità di un'ispezione esadecimale iniziale.

Figura 2: Visualizzazione di un'immagine disco Apple da 192 MB (.dmg)

Caso di Studio II: Archivi Compressi ad Alta Entropia

Oggetto: Volume .dmg da 192 MB.

• Firma di Entropia (Alta): La saturazione di dati pixel rossi significa entropia massima ($\approx 7.5 - 8.0$ bit per byte). Sebbene interpretato visivamente come "rumore", questa distribuzione stocastica indica l'eliminazione effettiva della ridondanza dei dati.
• Uniformità della Trama: La visualizzazione manca delle "isole" geometriche viste nella Figura 1. Gli algoritmi di compressione (ad es. LZFSE, zlib) distribuiscono i valori dei byte in modo uniforme per massimizzare l'efficienza di archiviazione, risultando in un campo ad alta varianza.
• Conclusione: Questa densità visiva è la firma distintiva di eseguibili impaccati, volumi crittografati o archivi compressi. In un contesto forense, osservare questa firma in un file che si presenta come un documento standard suggerirebbe immediatamente l'iniezione di payload steganografici o la crittografia.

Caratteristiche Principali

• Calcolo Accelerato via Hardware: Scarica le euristiche di entropia e la trasformazione delle coordinate sulla GPU tramite Metal Compute Shaders, garantendo una navigazione in tempo reale.
• Preservazione della Località di Hilbert: Trasforma i flussi lineari in topografia 2D mantenendo le relazioni di vicinato, rendendo espliciti i confini strutturali.
• Colorimetria Basata sull'Entropia:
  • Rosso: Entropia Alta (Crittografia, Compressione, output RNG).
  • Blu/Verde: Entropia Bassa-Media (codice macchina x86/ARM64, Testo, Header).
  • Nero: Spazio Nullo (padding/allocazione a zero).
• Finestra Virtuale: Implementa un sistema di navigazione a zero allocazioni. Gli offset vengono calcolati dinamicamente all'interno dello shader, consentendo l'attraversamento immediato di file su scala gigabyte senza pre-bufferizzare interi dataset in VRAM.

Casi d'Uso

1. Reverse Engineering: Localizzazione rapida di sezioni .text, risorse incorporate o payload crittografati all'interno di wrapper binari.
2. Analisi Malware: Identificazione visiva di packer e layer di offuscamento, che si manifestano come anomalie ad alta entropia distinte dalla logica compilata standard.
3. Forensics Digitale: Rilevamento di dati aggiunti (sovrapposizioni EOF) o modifiche steganografiche che interrompono i pattern attesi della struttura del file.
4. Validazione Crittografica: Verifica visiva dell'uniformità del generatore di numeri casuali (RNG) e dell'efficienza degli algoritmi di compressione.

Installazione e Build

Questo progetto utilizza la toolchain nativa di macOS e non richiede gestori di pacchetti esterni.

Prerequisiti:

• macOS 12.0 (Monterey) o superiore.
• Architettura Apple Silicon (M1/M2/M3) consigliata per una resa ottimale degli shader.
• Xcode Command Line Tools.

Compilazione:

Esegui il seguente comando nella directory principale del progetto per invocare il compilatore Swift e collegare i framework richiesti (SwiftUI, Metal, MetalKit, AppKit, Foundation):

Esecuzione:

Utilizzo

1. Ingestione dei Dati: Trascina e rilascia qualsiasi file binario direttamente sul viewport di visualizzazione. Il rendering è istantaneo.
2. Navigazione:

• Pan: Scorrimento con due dita (trackpad) o rotella del mouse.
• Zoom: Tieni premuto Option + Scorri per regolare la densità byte-per-pixel.

Licenza

Tutti i diritti riservati. L'uso commerciale non autorizzato, la ridistribuzione o la modifica sono severamente vietati.