Статический анализатор кода на основе AST с агентным сопоставлением связей на базе LLM для обнаружения путей RCE в Python и глубоких цепочек десериализации в исходном коде на Python для ИИ, LLM, робототехники, Data Science, машинного обучения и любого другого.

Далеко выходя за рамки традиционного сканера, он предоставляет универсальный высокопроизводительный фреймворк для аудита более чем 120 библиотек и форматов — включая YAML, Msgpack, CBOR и пользовательские хуки JSON — где традиционное доверие к «безопасной» сериализации скрывает критические векторы RCE на основе логики. Разрешая импорты, псевдонимы и сложные точечные атрибуты, инструмент служит высокоточным усилителем сигналов, который приоритизирует опасные пути выполнения кода в современных распределённых архитектурах и репозиториях ИИ/ML.
Проект работает через модульный многофазный рабочий процесс, который переходит от первичного обнаружения к глубокому техническому аудиту. После первоначального высокоскоростного SAST-сканирования экосистема задействует специализированные средства сопоставления связей для отслеживания потоков выполнения и обработчики результатов для генерации подробных отчётов о безопасности. Этот систематический подход гарантирует, что каждая находка контекстуализируется в рамках более широкой архитектуры приложения, превращая высокообъёмную телеметрию в пригодные для использования исследовательские активы и структурированные вехи, которые упрощают картирование поверхностей атак на уровне инфраструктуры.
На своём наиболее продвинутом уровне Deserializer интегрирует автономного агента безопасности на базе ИИ (Фаза 4), явно предназначенного для обхода ограничений «self-command-injection» и синтеза функциональных руководств по воспроизведению, на основе HuggingFace inference API, локальной LLM (например, llama.cpp) или OpenAI API-совместимого интерфейса.
По мере развития проекта он продолжает определять передний край автоматизированных исследований уязвимостей, сокращая разрыв между статическим анализом абстрактных синтаксических деревьев, сопоставлением связей, отчётностью и разработкой функциональных эксплойтов на основе документированных исследований.
Deserializer напрямую поддерживает исследования в области безопасности, обнаруживая пути RCE и небезопасной десериализации в различных крупномасштабных проектах и средах ИИ, робототехники и науки о данных, таких как 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) и многих других.
Его возможности напрямую способствовали обнаружению критических уязвимостей в ведущих отраслевых фреймворках, доказав свою эффективность при аудите сложных сред MLOps и агентного ИИ.
Проект структурирован в четыре отдельные фазы, каждая из которых предназначена для перехода анализа от высокообъёмной автоматизированной телеметрии к глубокому функциональному исследованию безопасности:
| Фаза | Название | Инструментарий / движок | Цель |
|---|---|---|---|
| 1 | Высокоскоростное обнаружение | deserializer.py (Triple-Pass) | Выполнение масштабного SAST для выявления потенциальных точек десериализации. |
| 2 | Сопоставление связей | Обработчики результатов / средства сопоставления | Контекстуализация находок путём отслеживания потоков выполнения и взаимозависимостей компонентов. |
| 3 | Технический синтез | Исследовательская документация | Формализация находок в технические отчёты с картированием поверхностей атак на уровне инфраструктуры. |
| 4 | Автономный агент ИИ | Агент безопасности на базе ИИ | Автоматизация обнаружения 0-day и генерация функциональных руководств по воспроизведению/эксплойтов с использованием HuggingFace inference API, локальной LLM (например, llama.cpp) или OpenAI API-совместимого интерфейса. |
Высокоуровневая карта организации репозитория и технического назначения каждого специализированного каталога:
agent/docs/exploit_development/modules/reports/research/templates/Этот сканер оснащён высокопроизводительным движком параллельного выполнения, построенным на concurrent.futures.ProcessPoolExecutor из Python. Он спроектирован для масштабирования на все доступные ядра CPU (управляется флагом -j или --concurrency), что позволяет сканировать десятки тысяч файлов за секунды.
SetConsoleCtrlHandler через ctypes, чтобы гарантировать 100% отзывчивость Ctrl+C даже при интенсивной обработке.ctypes для нативной поддержки ANSI-цветов в современных средах CMD и PowerShell.[!WARNING] Предупреждение о производительности: При анализе чрезвычайно больших или сложных файлов (например, размером более 1 МБ, 2 МБ или 3 МБ) инструмент может испытывать значительные замедления или выглядеть «зависшим» при разборе глубоких деревьев AST. Если вы столкнулись с такими узкими местами, рассмотрите использование флагов
--timeout(для пропуска медленных файлов) и--max-size(для пропуска огромных файлов), чтобы поддерживать скорость сканирования.
Откройте для себя самые используемые инструменты нашего сообщества.
Данных о популярности пока нет.