Deserializer

Informazioni sul progetto

• Deserializer è un motore avanzato di analisi statica basato su Abstract Syntax Tree (AST), progettato per identificare ricostruzioni insicure di oggetti e sink di persistenza dello stato nell'ecosistema Python, con particolare attenzione ai campi dell'IA, LLM, Robotica, Data Science, Machine Learning e Deep Learning; ma non limitato a essi.
• 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 fiducia tradizionale nella serializzazione "sicura" nasconde vettori RCE critici basati sulla logica. Risolvendo import, alias e attributi puntati complessi, lo strumento funge da amplificatore di segnale ad alta fedeltà che prioritizza i 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 IA Autonomo

Al suo livello più avanzato, Deserializer integra un agente di sicurezza IA autonomo (Fase 4), progettato esplicitamente per navigare le limitazioni di "self-command-injection" e sintetizzare guide di riproduzione funzionali, basato su HuggingFace inference API, LLM locale (come llama.cpp), o API compatibile OpenAI.

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

Ricerca (IA, 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 IA, 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 IA agentica.

Le 4 Fasi di Deserializer

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

Fase	Titolo	Strumenti / Motore	Obiettivo
1	Rilevamento ad Alta Velocità	deserializer.py (Triple-Pass)	Eseguire SAST su larga scala per identificare potenziali sink di deserializzazione.
2	Mappatura delle Relazioni	Processori di Risultati / Mappatori	Contestualizzare i risultati tracciando flussi di esecuzione e interdipendenze tra componenti.
3	Sintesi Tecnica	Documentazione di Ricerca	Formalizzare i risultati in writeup tecnici, mappando superfici di attacco a livello di infrastruttura.
4	Agente IA Autonomo	Agente di Sicurezza IA	Automatizzare la scoperta di 0-day e generare guide di riproduzione/exploit funzionali usando HuggingFace inference API, LLM locale (come llama.cpp), o API compatibile OpenAI.

Struttura del Progetto

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

• agent/
  Implementazione dell'Agente di Sicurezza IA della Fase 4, inclusa la logica di orchestrazione per analisi approfondita, sintesi di guide di riproduzione e interazione con LLM.
• docs/
  Repository centrale per la documentazione del progetto, diagrammi architetturali, asset di branding e materiali tecnici di supporto di alto livello.
• exploit_development/
  Spazio dedicato all'ingegnerizzazione di exploit funzionali, alla ricerca su primitive di deserializzazione (hook/metodi) e alla documentazione di tecniche di orchestrazione cross-platform.
• modules/
  Componenti logici core, funzioni di utilità ausiliarie ed estensioni dello scanner che alimentano le fasi di rilevamento e mappatura delle relazioni della toolchain.
• reports/
  Archivio per output strutturati di analisi di sicurezza, telemetria e risultati di audit generati dallo scanner durante 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 di reporting e ricerca utilizzati per mantenere la coerenza tecnica tra writeup di vulnerabilità e report di correlazione.

Prestazioni e Multiprocessing

Questo scanner presenta 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 capace di scansionare decine di migliaia di file in pochi secondi.

• UI Non-Bloccante: Presenta 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 sono silenziati per garantire che interruzioni ed errori interni non ingombrino l'output tecnico.
• Supporto UI Nativo 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: Quando si analizzano file estremamente grandi o complessi (ad esempio, oltre 1MB, 2MB o 3MB di dimensione), lo strumento potrebbe subire rallentamenti significativi o apparire "bloccato" durante il parsing di alberi AST profondi. Se si incontrano tali colli di bottiglia, considerare l'uso dei flag --timeout (per saltare file lenti) e --max-size (per saltare file enormi) per mantenere la velocità di scansione.

Cosa fa