Skip to content
KitploitKITPLOIT
ИнструментыЭксплойтыБлог
Log in
Отправить
ИнструментыЭксплойтыБлог
Отправить

Инструменты для хакинга, пентеста и кибербезопасности — ваш арсенал защиты!

Kitploit — это каталог инструментов для хакинга, кибербезопасности и пентестинга. Находите последние обновления проектов для поиска уязвимостей, анализа систем, автоматизации тестирования и усиления вашей безопасности.

ЛентыКонтактыКонфиденциальность© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
Deserializer — 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. | Kitploit
Инструменты/GitHubGitHub/joshuaprovoste/deserializer
Статический анализСканеры уязвимостейСтатический анализ кода (SAST)Анализ уязвимостейАнализ КодаЭксплуатацияМашинное ОбучениеРазработка Полезной НагрузкиБезопасность ИИ
GitHubjoshuaprovoste/deserializer

Deserializer

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.

Репозиторий
213413 дней назадЕщё не проверено
Поделиться

Deserializer

Deserializer Banner

О проекте

  • Deserializer — это продвинутый движок статического анализа абстрактных синтаксических деревьев (AST), предназначенный для выявления небезопасного восстановления объектов и точек сохранения состояния по всей экосистеме Python, с особым акцентом на области ИИ, LLM, робототехники, науки о данных, машинного и глубокого обучения; но не ограничиваясь ими.
  • Deserializer был разработан для сканирования и анализа любого типа проектов на основе исходного кода Python, таких как приложения, скрипты, фреймворки, библиотеки, пакеты Python pip и многое другое.

Ключевые технические возможности

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.

Автономный агент безопасности на базе ИИ

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.

Исследования (ИИ, робототехника, наука о данных, машинное и глубокое обучение)

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.

4 фазы Deserializer

Проект структурирован в четыре отдельные фазы, каждая из которых предназначена для перехода анализа от высокообъёмной автоматизированной телеметрии к глубокому функциональному исследованию безопасности:

ФазаНазваниеИнструментарий / движокЦель
1Высокоскоростное обнаружениеdeserializer.py (Triple-Pass)Выполнение масштабного SAST для выявления потенциальных точек десериализации.
2Сопоставление связейОбработчики результатов / средства сопоставленияКонтекстуализация находок путём отслеживания потоков выполнения и взаимозависимостей компонентов.
3Технический синтезИсследовательская документацияФормализация находок в технические отчёты с картированием поверхностей атак на уровне инфраструктуры.
4Автономный агент ИИАгент безопасности на базе ИИАвтоматизация 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.

Структура проекта

Высокоуровневая карта организации репозитория и технического назначения каждого специализированного каталога:

  • agent/
    Реализация AI Security Agent фазы 4, включая логику оркестрации для глубокого анализа, синтеза руководств по воспроизведению и взаимодействия с LLM.
  • docs/
    Центральный репозиторий для документации проекта, архитектурных диаграмм, брендинговых ресурсов и вспомогательных высокоуровневых технических материалов.
  • exploit_development/
    Выделенное пространство для разработки функциональных эксплойтов, исследования примитивов десериализации (хуков/методов) и документирования кроссплатформенных техник оркестрации.
  • modules/
    Основные логические компоненты, вспомогательные утилитарные функции и расширения сканера, обеспечивающие этапы обнаружения и построения связей в цепочке инструментов.
  • reports/
    Хранилище структурированных результатов анализа безопасности, телеметрии и результатов аудита, генерируемых сканером в ходе многоэтапных оценок проектов.
  • research/
    Коллекция подробных описаний уязвимостей, проверенных Proof-of-Concept (PoC) скриптов и глубоких аудитов, проведённых на современных фреймворках AI/ML.
  • templates/
    Стандартизированные шаблоны отчётности и исследований, используемые для поддержания технической согласованности описаний уязвимостей и отчётов о корреляциях.

Производительность и многопроцессность

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.

  • Неблокирующий интерфейс: Стабильная закреплённая панель прогресса с однострочным отступом для чистого представления результатов.
  • Нативная обработка сигналов: В Windows используется нативный SetConsoleCtrlHandler через ctypes, чтобы гарантировать 100% отзывчивость Ctrl+C даже при интенсивной обработке.
  • Тихие трассировки: Рабочие процессы работают в тихом режиме, чтобы прерывания и внутренние ошибки не засоряли технический вывод.
  • Нативная поддержка интерфейса Windows: Автоматически включает Virtual Terminal Processing через 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.

Что он делает

Скачать инструмент

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

Данных о популярности пока нет.

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →