Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
Deserializer — Analizzatore di codice statico basato su AST con mappatura delle relazioni potenziata da LLM agentici per scoprire percorsi RCE in Python e catene di deserializzazione profonde su codice sorgente Python di AI, LLM, robotica, data science, machine learning e qualsiasi altro tipo. | Kitploit
Strumenti/GitHubGitHub/joshuaprovoste/deserializer
Analisi StaticaScanner di VulnerabilitàAnalisi Statica del Codice (SAST)Analisi delle VulnerabilitàAnalisi del CodiceExploitMachine LearningSviluppo PayloadSicurezza dell'IA
GitHubjoshuaprovoste/deserializer

Deserializer

Analizzatore di codice statico basato su AST con mappatura delle relazioni potenziata da LLM agentici per scoprire percorsi RCE in Python e catene di deserializzazione profonde su codice sorgente Python di AI, LLM, robotica, data science, machine learning e qualsiasi altro tipo.

Vedi Repository
213414 giorni faNon ancora revisionato
Condividi

Deserializer

Deserializer Banner

Informazioni sul progetto

  • Deserializer è un motore avanzato di analisi statica basato su Abstract Syntax Tree (AST), progettato per identificare sink insicuri di ricostruzione di oggetti e persistenza dello stato nell'ecosistema Python, con una forte attenzione ai settori AI, LLM, Robotica, Data Science, Machine Learning e Deep Learning; ma non limitatamente a questi.
  • Deserializer è stato progettato per scansionare e analizzare qualsiasi tipo di progetto basato su codice sorgente Python, come app, script, framework, librerie, pacchetti pip Python e molto altro.

Capacità tecniche principali

Molto oltre un tradizionale scanner, fornisce un framework generico e ad alte prestazioni per l'audit di oltre 120 librerie e formati—inclusi YAML, Msgpack, CBOR e hook JSON personalizzati—dove la tradizionale fiducia nella serializzazione "sicura" nasconde vettori RCE critici basati sulla logica. Risolvendo import, alias e complessi attributi puntati, lo strumento funge da amplificatore di segnale ad alta fedeltà che dà priorità ai percorsi di codice pericolosi nelle moderne architetture distribuite e nei repository AI/ML.

Il progetto opera attraverso un flusso di lavoro modulare e multifase che passa dal rilevamento grezzo all'audit tecnico approfondito. A seguito della scansione SAST iniziale ad alta velocità, l'ecosistema sfrutta mappatori di relazioni specializzati per tracciare i flussi di esecuzione e processori di risultati per generare report di sicurezza dettagliati. Questo approccio sistematico garantisce che ogni risultato sia contestualizzato all'interno dell'architettura più ampia dell'applicazione, trasformando telemetria ad alto volume in risorse di ricerca azionabili e milestone strutturate che semplificano la mappatura delle superfici di attacco a livello di infrastruttura.

Agente di Sicurezza AI Autonomo

Al suo livello più avanzato, Deserializer integra un Agente di Sicurezza AI autonomo (Fase 4), esplicitamente progettato per superare i limiti della "self-command-injection" e sintetizzare guide di riproduzione funzionali, basate su HuggingFace inference API, LLM locale (come llama.cpp) o API compatibile con OpenAI.

Man mano che il progetto evolve, continua a definire la frontiera della ricerca automatizzata sulle vulnerabilità colmando il divario tra analisi statica dell'abstract syntax tree, mappatura delle relazioni, reporting e sviluppo di exploit funzionali basati su ricerca documentata.

Ricerca (AI, Robotica, Data Science, Machine Learning e Deep Learning)

Deserializer supporta direttamente la ricerca sulla sicurezza individuando percorsi RCE e di Deserializzazione Insicura in vari progetti e ambienti su larga scala di AI, Robotica e Data Science, come 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) e molti altri.

Le sue capacità hanno alimentato direttamente la scoperta di vulnerabilità critiche in framework leader del settore, dimostrando la sua efficacia nell'audit di complessi ambienti MLOps e di AI agentica.

Le 4 Fasi di Deserializer

Il progetto è strutturato in quattro fasi distinte, ciascuna progettata per spostare l'analisi dalla telemetria automatizzata ad alto volume alla ricerca funzionale approfondita sulla sicurezza:

FaseTitoloStrumenti / MotoreObiettivo
1Rilevamento ad Alta Velocitàdeserializer.py (Triple-Pass)Eseguire SAST su scala massiva per identificare potenziali sink di deserializzazione.
2Mappatura delle RelazioniProcessori di Risultati / MappatoriContestualizzare i risultati tracciando i flussi di esecuzione e le interdipendenze tra componenti.
3Sintesi TecnicaDocumentazione di RicercaFormalizzare i risultati in writeup tecnici, mappando le superfici di attacco a livello di infrastruttura.
4Agente AI AutonomoAgente di Sicurezza AIAutomatizzare la scoperta di 0-day e generare guide di riproduzione/exploit funzionali utilizzando HuggingFace inference API, LLM locale (come llama.cpp) o API compatibile con OpenAI.

Struttura del Progetto

Una mappa di alto livello dell'organizzazione del repository e dello scopo tecnico di ciascuna directory specializzata:

  • agent/
    Implementazione dell'AI Security Agent della Fase 4, inclusa la logica di orchestrazione per l'analisi approfondita, la sintesi delle guide di riproduzione e l'interazione con gli LLM.
  • docs/
    Repository centrale per la documentazione del progetto, i diagrammi architetturali, le risorse di branding e i materiali tecnici di supporto di alto livello.
  • exploit_development/
    Spazio dedicato all'ingegnerizzazione di exploit funzionali, alla ricerca di primitive di deserializzazione (hook/metodi) e alla documentazione delle tecniche di orchestrazione cross-platform.
  • modules/
    Componenti logici principali, funzioni di utilità ausiliarie ed estensioni dello scanner che alimentano le fasi di rilevamento e mappatura delle relazioni della toolchain.
  • reports/
    Archivio per gli output strutturati dell'analisi di sicurezza, la telemetria e i risultati di audit generati dallo scanner durante le valutazioni di progetto multifase.
  • research/
    Una raccolta di writeup di vulnerabilità ad alta fedeltà, script Proof-of-Concept (PoC) validati e audit approfonditi condotti su framework AI/ML moderni.
  • templates/
    Template standardizzati per report e ricerca utilizzati per mantenere la coerenza tecnica tra i writeup delle vulnerabilità e i report di correlazione.

Prestazioni e multiprocessing

Questo scanner dispone di un motore di esecuzione parallela ad alte prestazioni basato su concurrent.futures.ProcessPoolExecutor di Python. È progettato per scalare su tutti i core CPU disponibili (controllabile tramite il flag -j o --concurrency), rendendolo in grado di scansionare decine di migliaia di file in pochi secondi.

  • UI non bloccante: dispone di una barra di avanzamento stabile e ancorata con uno spazio di una riga per una presentazione pulita dei risultati.
  • Gestione nativa dei segnali: su Windows, utilizza un SetConsoleCtrlHandler nativo tramite ctypes per garantire che Ctrl+C sia reattivo al 100%, anche durante elaborazioni pesanti.
  • Traceback silenziosi: i processi worker vengono silenziati per garantire che le interruzioni e gli errori interni non sporchino l'output tecnico.
  • Supporto nativo per la UI di Windows: abilita automaticamente il Virtual Terminal Processing tramite ctypes per il supporto nativo dei colori ANSI nei moderni ambienti CMD e PowerShell.

[!WARNING] Avviso sulle prestazioni: durante l'analisi di file estremamente grandi o complessi (ad esempio, di dimensioni superiori a 1MB, 2MB o 3MB), lo strumento potrebbe subire rallentamenti significativi o apparire "bloccato" durante l'analisi di alberi AST profondi. Se si incontrano tali colli di bottiglia, si consiglia di utilizzare i flag --timeout (per saltare i file lenti) e --max-size (per saltare i file di grandi dimensioni) al fine di mantenere la velocità di scansione.

Cosa fa

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    732
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    506
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    405
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    342
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    261
  • 6

    antifox

    antifox-ai/antifox

    Piattaforma multi-agente di penetration testing autonoma basata sull'IA che esegue ricognizione, scoperta della superficie d'attacco, validazione dello sfruttamento e consegna di report supportati da evidenze.

    259

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →