joshuaprovoste/deserializerСтатический анализатор кода на основе AST с агентным сопоставлением связей на базе LLM для обнаружения путей RCE в Python и глубоких цепочек десериализации в области ИИ, LLM, робототехники, Data Science, машинного обучения и глубокого обучения (но не ограничиваясь ими).
Выходя далеко за рамки традиционного сканера, он предоставляет универсальную высокопроизводительную платформу для аудита более чем 120 библиотек и форматов — включая YAML, Msgpack, CBOR и пользовательские хуки JSON — где традиционное доверие к «безопасной» сериализации скрывает критические логические векторы RCE. Разрешая импорты, псевдонимы и сложные точечные атрибуты, инструмент служит высокоточным усилителем сигнала, который приоритизирует опасные пути выполнения кода в современных распределённых архитектурах и репозиториях AI/ML.
Проект работает через модульный многофазный рабочий процесс, который переходит от первичного обнаружения к глубокому техническому аудиту. После первоначального высокоскоростного SAST-сканирования экосистема использует специализированные средства сопоставления связей для отслеживания потоков выполнения и процессоры 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 практические исследовательские активы и структурированные этапы, которые упрощают картирование поверхностей атак на уровне инфраструктуры.
На своём наиболее продвинутом уровне Deserializer интегрирует автономный агент безопасности на базе ИИ (Фаза 4), специально разработанный 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 абстрактного синтаксического дерева, картированием 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 AI, робототехники и Data Science, 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 обеспечили обнаружение 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 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 | Картирование связей | Процессоры результатов / Mappers | Контекстуализация находок путём отслеживания потоков выполнения и взаимозависимостей компонентов. |
| 3 | Технический синтез | Исследовательская документация | Формализация находок в технические отчёты, картирование поверхностей атак на уровне инфраструктуры. |
| 4 | Автономный агент ИИ | Агент безопасности 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/
Реализация агента безопасности ИИ 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 кросс-платформенных техник оркестрации.modules/
Основные логические компоненты, вспомогательные утилитарные функции и расширения сканера, обеспечивающие фазы обнаружения и картирования связей инструментальной цепочки.reports/
Хранилище структурированных выходных данных анализа безопасности, телеметрии и результатов аудита, генерируемых сканером в ходе многофазных оценок проектов.research/
Коллекция высокоточных отчётов об уязвимостях, проверенных скриптов Proof-of-Concept (PoC) и глубоких аудитов, проведённых на современных фреймворках AI/ML.templates/
Стандартизированные шаблоны отчётности и исследований, используемые для поддержания технической согласованности между отчётами об уязвимостях и корреляционными отчётами.Этот сканер оснащён высокопроизводительным движком параллельного выполнения, построенным на concurrent.futures.ProcessPoolExecutor Python. Он разработан для масштабирования на все доступные ядра CPU (управляется через флаг -j или --concurrency), что позволяет сканировать десятки тысяч файлов за секунды.
SetConsoleCtrlHandler через ctypes, чтобы гарантировать 100% отзывчивость Ctrl+C даже во время интенсивной обработки.ctypes для нативной поддержки цветов ANSI в современных средах CMD и PowerShell.[!WARNING] Предупреждение о производительности: При анализе чрезвычайно больших или сложных файлов (например, размером более 1MB, 2MB или 3MB) инструмент может испытывать значительные замедления или казаться «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.