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.

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.
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.
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.
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:
| Fase | Titolo | Strumenti / Motore | Obiettivo |
|---|---|---|---|
| 1 | Rilevamento ad Alta Velocità | deserializer.py (Triple-Pass) | Eseguire SAST su scala massiva per identificare potenziali sink di deserializzazione. |
| 2 | Mappatura delle Relazioni | Processori di Risultati / Mappatori | Contestualizzare i risultati tracciando i flussi di esecuzione e le interdipendenze tra componenti. |
| 3 | Sintesi Tecnica | Documentazione di Ricerca | Formalizzare i risultati in writeup tecnici, mappando le superfici di attacco a livello di infrastruttura. |
| 4 | Agente AI Autonomo | Agente di Sicurezza AI | Automatizzare 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. |
Una mappa di alto livello dell'organizzazione del repository e dello scopo tecnico di ciascuna directory specializzata:
agent/docs/exploit_development/modules/reports/research/templates/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.
SetConsoleCtrlHandler nativo tramite ctypes per garantire che Ctrl+C sia reattivo al 100%, anche durante elaborazioni pesanti.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.