DeepZero：睡梦中发现零日漏洞的 AI 驱动漏洞研究引擎

图1：DeepZero 项目标志

想象一下：一个安全研究员坐在工位前，面对堆积如山的 Windows 内核驱动二进制文件——每个文件平均数千行汇编代码，手工分析一个驱动平均需要数天时间。而攻击者只需要找到一个漏洞就能突破系统防线。这就是漏洞研究领域长期存在的不对称困境：攻方找到任意一个可利用的漏洞就足够了，而守方必须找出所有漏洞。

DeepZero 的出现正在改变这场游戏。它是一款开源的 AI 驱动漏洞自动化挖掘框架，专注于在 Windows 内核驱动程序中发现可利用的 IOCTL（输入/输出控制）漏洞。开发者只需要一条 YAML 配置文件，DeepZero 就能自动完成从语料收集、二进制解析、反编译到 LLM 智能评估的全流程——让安全研究在"睡眠时间"也能持续运转。

背景：BYOVD 威胁与 LOLDrivers 生态

BYOVD（Bring Your Own Vulnerable Driver，携带自有漏洞驱动）攻击已经成为勒索软件组织和国家级 APT 的标配手段。攻击者不需要自己编写内核级漏洞，而是利用已经安装在目标系统上的合法驱动中的漏洞，以这些驱动为跳板获得内核级代码执行权限。

安全社区为此建立了 LOLDrivers（Lots of Vulnerable Drivers）数据库，专门收录存在漏洞的内核驱动，已成为防御方的重要参考资源。DeepZero 的旗舰用例——LOLDrivers Pipeline——巧妙地将该数据库作为"排除名单"，专门分析尚未被收录的驱动，也就是潜在的零日候选。

作者 416rehman 是一位专注于二进制安全研究的安全工程师，在 kernel 逆向工程领域有深厚积累。项目主页（http://blog.ahmadz.ai/DeepZero/）记录了详细的架构设计思路和研究动机，展示了如何将 LangChain Agent 范式与漏洞研究流水线结合的完整思考。

架构设计：流水线即代码

DeepZero 的核心设计哲学是流水线即代码（Pipeline-as-YAML）。传统安全工具链往往是分散的：IDA Pro 做逆向、Semgrep 做静态扫描、LangChain 做 LLM 调用——每个工具独立运行，靠 bash 脚本串联。这种方式脆弱且难以复现。

DeepZero 将整个分析流程抽象为一条声明式流水线，开发者只需编写 YAML 配置文件，声明每个阶段的处理器类型、并行度、失败策略等，引擎自动处理编排、并行执行、容错和状态持久化。这种设计让漏洞研究流程变得可审计、可复现、可分享。

项目采用模块化架构，核心代码位于 src/deepzero/ 目录下：

• engine/：流水线引擎核心，包含 pipeline.py（流水线定义）、runner.py（执行引擎）、stage.py（阶段调度）、state.py（原子状态持久化）、context.py（上下文管理）
• stages/：内置处理器，包括 filter.py（数据过滤）、ingest.py（数据摄取）、llm.py（LLM 调用封装）、top_k.py（Top-K 选择）
• api/：实验性 REST API，基于 Starlette + Uvicorn 构建

项目还提供了 4 个外部处理器作为示例：GHIDRA 无头反编译器、LOLDDrivers.io 哈希排除过滤器、PE 头解析器，以及 Semgrep 批量扫描器。

图2：DeepZero 终端运行界面

核心流程：七阶段漏洞挖掘流水线

LOLDrivers Pipeline 是项目默认的旗舰分析流水线，包含 7 个精心设计阶段：

阶段 1 - 语料发现（Ingest）：通过 pe_ingest 处理器扫描指定目录下的 .sys 文件，解析 PE 头提取驱动元数据（子系统类型、导入表等），只保留内核驱动（ subsystem_filter=1）。

阶段 2 - 内核过滤（Kernel Filter）：使用内置 metadata_filter 处理器，筛选出同时满足「是内核驱动」且「具有 IOCTL 攻击面」条件的样本，按 SHA256 去重。

阶段 3 - LOLDrivers 排除（LOLDdrivers Filter）：调用 loldrivers_filter 处理器，联网查询 loldrivers.io API，将已在数据库中的已知漏洞驱动排除——这是 DeepZero 实现"零日发现"的关键设计，确保研究资源集中在未知候选上。

阶段 4 - GHIDRA 反编译（Decompile）：这是流水线中最重的阶段。ghidra_decompile 处理器调用 GHIDRA headless 模式，对每个驱动执行控制流分析，提取所有函数并保存反编译伪代码。需要配置 GHIDRA_INSTALL_DIR 和 JAVA_HOME 环境变量。

阶段 5 - Semgrep 扫描（Semgrep Scanner）：运行 Semgrep 批量扫描，使用自定义规则集（位于 pipelines/loldrivers/rules/）在反编译代码中寻找漏洞模式。规则针对内核驱动的常见危险操作（如 memcpy、MmMapIoSpace 等）编写。

阶段 6 - Top-10 候选精选（Top-K）：按 Semgrep 发现数量降序排列，保留 Top 10 最有价值的候选进入最终分析阶段，控制 LLM 调用成本。

阶段 7 - LLM 深度评估（LLM Assess）：这是最关键也是最智能的阶段。通过 Jinja2 模板（assessment.j2）构造专家级提示词，调用 LLM（默认使用 Google Vertex AI 的 Gemini-2.5-Pro）进行深度漏洞可利用性分析。提示词包含严格的分析规则，要求 LLM 必须追溯数据流，证明用户输入可控，并排除硬件依赖、PnP 初始化等不可达路径，最终输出 [VULNERABLE] 或 [SAFE] 判断。

技术栈与依赖

DeepZero 基于 Python 3.11+ 开发，核心依赖极为精简：click（CLI）、rich（终端 UI）、pyyaml（Jinja2 配置）、jinja2（模板引擎）、python-dotenv（环境变量）。可选依赖分为三组：

• full：包含全部可选功能（LLM + API + PE解析）
• llm：通过 LiteLLM 支持任意 LLM 提供商（OpenAI GPT、Anthropic Claude、Google Gemini、OpenRouter 等）
• pe：使用 LIEF 库解析 PE 文件头
• serve：Starlette + Uvicorn 提供实验性 REST API

LLM 集成通过 LiteLLM 抽象层实现，这是一种标准的"多后端 LLM 统一接口"方案，支持超过 50 种模型提供商的统一调用。DeepZero 默认使用 Vertex AI 的 Gemini-2.5-Pro，但在 assessment.j2 模板中特别针对 Gemini 的上下文窗口特点（max_context_tokens: 900000）做了优化。

上手体验：门槛与实际使用

基础安装非常友好：一条 pip install -e . 即可完成核心安装，支持 Python 3.11 和 3.12。GitHub Actions CI 覆盖了这两个版本，稳定性有保障。

进阶功能有一定门槛：LLM 分析需要配置 API 密钥（.env 文件支持 Gemini、OpenAI、Anthropic、OpenRouter 等多种后端）；GHIDRA 反编译需要额外安装 GHIDRA（约 1GB）和 JDK 17+；Java 环境配置在不同平台上有细微差异。

并行度可配置：每个阶段可独立设置 max_workers 参数，控制 ThreadPoolExecutor 的并发数量。GHIDRA 反编译默认单线程（parallel=0），因为 GHIDRA 本身已高度 CPU 密集。

可恢复性是亮点：DeepZero 将每个样本的分析状态原子化写入磁盘（work/ 目录），遇到 Ctrl+C 中断后重新运行可从断点恢复，不需要从头开始。

局限性：不回避的真实评价

DeepZero 并非万能。首先，它只支持 Windows 内核驱动分析，对 macOS/Linux 内核模块或其他固件类型没有直接支持。其次，GHIDRA 反编译阶段是整个流水线最大的时间瓶颈——单个驱动的反编译可能需要数分钟，处理数千个驱动时整体耗时可达数十小时。

LLM 评估阶段依赖提示词工程的质量，assessment.j2 中的分析规则虽然详尽，但仍然存在误报和漏报的可能——DeepZero 的设计初衷是辅助研究而非完全替代人工审计。此外，项目目前没有 Docker 支持，在不同系统环境下的依赖配置（尤其是 Java 环境）可能造成新手困扰。

最后，实验性 REST API 意味着目前 DeepZero 仍是一个面向研究人员的命令行工具，还没有成熟的 Web UI 或可视化分析界面。

行业意义与增长趋势

DeepZero 代表了 AI + 安全研究交叉领域的一个明确方向：用 LLM 替代人工在二进制分析中的重复劳动。传统上，漏洞研究员的日常工作有大量时间消耗在"读代码、判断是否可控"的重复劳动中，DeepZero 通过流水线自动化和 LLM 评估将这部分工作规模化。

从项目数据看，DeepZero 获得了 584 个 GitHub Stars 和 76 个 Fork，在漏洞研究工具中属于增长较快的新兴项目。19 个 Topics 覆盖了从 AI Agent 到逆向工程的完整技术栈，表明该项目吸引了多个社区的关注。MIT 许可证允许商业使用，有利于在企业安全团队中推广。

总结

DeepZero 是一款将 AI Agent 范式成功落地到二进制安全研究领域的创新框架。它通过 YAML 声明式流水线将漏洞研究流程标准化，用 GHIDRA 处理二进制分析、用 Semgrep 做规则扫描、用 LLM 做可利用性判断，形成了完整的自动化漏洞挖掘工作流。对于安全研究员而言，DeepZero 是一个值得关注的效率工具；对于 AI 开发者而言，它展示了如何将 LLM 能力嵌入到专业领域工作流中的工程范式。