Az LLM (Large Language Model, nagy nyelvi modell) modellek biztonsága azt jelenti, hogy az előre betanított mesterséges intelligencia-modell fájlokat beágyazott rosszindulatú kódok szempontjából ellenőrzik, mielőtt azokat egy környezetbe betöltenék. Az olyan formátumú modellfájlok, mint a pickle, a PyTorch, a TensorFlow és a Keras, betöltésük pillanatában kódot futtathatnak, ami miatt az ellátási lánc szempontjából ugyanolyan kockázatot jelentenek, mint az ellenőrizetlen szoftverek futtatása.
Összefoglalás / A legfontosabb tanulságok
- A Hugging Face-ről, a Kaggle-ről vagy a PyPI-ről letöltött, előre betanított modellek futtatható kódok, nem pedig passzív adatok
- A JFrog „Software ” (Supply Chain ) című, 2026-os „State of the Union” jelentése szerint a szervezetek 53%-a közvetlenül nyilvános nyilvántartásokból tölti le a modelleket, ahol a kutatók mintegy 495 olyan rosszindulatú modellt azonosítottak, amelyek képesek hitelesítő adatok ellopására és a rendszer teljes megfertőzésére.
- A Pickle-alapú formátumok (.pt, .pth, .bin, .pkl) betöltés közben a REDUCE utasítás segítségével tetszőleges függvényeket hajtanak végre; ez ugyanaz a szerkezeti hiba, amely a TensorFlow-gráfokban és a Keras Lambda-rétegekben is megtalálható
- A Safetensors teljes mértékben eltávolítja a végrehajtó motort, de több százezer régi formátumú modell továbbra is forgalomban van, és egy repozitóriumban található biztonságos fájl nem garantálja, hogy a repozitórium többi része is biztonságos legyen
- MetaDefender Az Aether™ öt elemzési rétegen keresztül vizsgálja a modellfájlokat, és olyan fenyegetéseket is felismer, mint a rétegesen elrejtett kártékony kódok, amelyek a hagyományos szkennereknél „tiszta” minősítést kapnak
Az előre betanított mesterséges intelligencia-modellek olyan futtatható kódok, amelyek átlépik a bizalmi határt
Egy nagy nyelvi modell nulláról történő felépítéséhez olyan adatokra, számítási kapacitásra és időre van szükség, amelyekkel a legtöbb szervezet nem rendelkezik. A csapatok ezért inkább előre betanított modelleket töltenek le olyan nyilvános platformokról, mint a Hugging Face, a Kaggle és a PyPI. Ez a függőség olyan ellátási láncbeli támadási felületet teremtett, amelyet sok biztonsági program még mindig figyelmen kívül hagy.
A szervezetek már most is alaposan ellenőrzik azokat a nyílt forráskódú könyvtárakat és konténerképeket, amelyeket a saját környezetükbe töltenek be. Kevesen alkalmazzák ugyanezt a szigorú ellenőrzést a csapataik által letöltött mesterséges intelligencia-modellekre is, pedig egy modellfájl nem csupán egy számokból álló táblázat. Formátumától függően egy modellfájl olyan program is lehet, amely betöltésekor azonnal elindul.
A Hugging Face önmagában is jóval több mint egymillió modellt tárol, amelyek többsége soha nem esett át biztonsági ellenőrzésen. A JFrog „Software ” (Supply Chain ) című, 2026-os „State of the Union” jelentése szerint a szervezetek 53%-a ma már közvetlenül a nyilvános nyilvántartásokból tölti le a modelleket, és a kutatók körülbelül 495 olyan rosszindulatú modellt azonosítottak ezekben a nyilvántartásokban, amelyek képesek hitelesítő adatok ellopására, kód futtatására és a rendszer teljes megfertőzésére. Egy LLM-modell egy végrehajtható szoftver, amely átlép egy bizalmi határt.
Hogyan fejlődtek a modellekből származó fenyegetések az elméletből a kijátszásig
A fenyegetés fokozatosan alakult ki: akadémiai figyelmeztetések, koncepcióbizonyítások, az ellátási lánc valós világbeli visszaélései, valamint a szkennerek kijátszására tervezett elkerülési technikák.
A modellekből származó fenyegetések alakulása, 2018–2026
Fázis | Időkeret | Mi változott | Jellemző példák |
Elmélet | 2018 | A tudósok arra figyelmeztetnek, hogy a megbízhatatlan forrásokból származó, újrahasznosított, előre betanított modelleket manipulálni lehet | A mélytanulási rendszerek ellen irányuló, modellek újrafelhasználásán alapuló támadások |
Koncepció igazolása | 2023–2024 | Valódi rosszindulatú modellek kerültek napvilágra; bebizonyosodott, hogy a „pickle”-alapú formátumok aktív kártékony kódot hordoznak | star23/baller13, egy fordított héjat viselő modell, megjelent a Hugging Face-en |
A vadonban | 2024–2025 | A forgalom növekszik, az ellátási lánc pedig a csomagnyilvántartásokon keresztül biztosítja a kiszállítást | Az Alibaba márkájú PyPI-csomagok jelzik az LLM-ellátási lánc elleni támadások megjelenését |
Fejlett kitérő manőverek | 2024–2025 | Réteges, egymásra helyezett rakományok, amelyek célja a gyors ellenőrzés kijátszása | Egy „stacked pickle” bizonyító példa 0/70 pontot kapott a VirusTotalon |
Egy biztonságosabb formátum | 2023–2026 | Bevezetésre kerül egy kizárólag adatátvitelre szolgáló formátum, amely nem képes kód továbbítására, de a régebbi modellek továbbra is széles körben használatosak | A Safetensors az új modellek alapértelmezett megoldásává válik |
A Pickle- és PyTorch-fájlok már a betöltésük pillanatában végrehajtják a kódot
A Pickle a Python natív sorosítási formátuma, és évekig ez volt a szabványos módszer a modellek lemezre mentésére. A PyTorch erre építette fel a .pt, .pth és .bin fájljait, és számos modellt tettek közzé ezekben a formátumokban. Ma már léteznek biztonságosabb alternatívák, de ezeket elvont üzleti nyelvként kezelik. A nyilvános adatközpontokban még mindig forgalomban lévő modellek nagy része továbbra is Pickle-alapú, és a fejlesztőcsapatok nap mint nap betöltik őket.
A Pickle nem csupán adatokat tárol. Ez egy utasításfolyam, amelyet a virtuális gép a fájl betöltése és a Python-objektumok rekonstruálása során hajt végre. Az utasításfolyam tetszőleges függvényeket hívhat meg, így egy Pickle-alapú modell betöltése kód futtatását is eredményezheti.
A támadók kihasználják a „pickle REDUCE” utasítást, amely arra utasítja a betöltőt, hogy a pickle-fájl kibontása során egy megadott függvényt hívjon meg a támadó által választott argumentumokkal. Ezzel visszafelé irányuló shell indítható, második fázisú hasznos terhelés helyezhető el, vagy SSH-kulcs írható felül, miközben a modell továbbra is úgy töltődik be és viselkedik, mintha legitim fájl lenne.
A TensorFlow és a Keras hasonló kockázatokat hordoznak. A rosszindulatú TensorFlow-gráfok fájlírási vagy hálózati operátorokat csempészhetnek be a számítási gráfba, míg a Keras Lambda-rétegek marshalált Python-bájtkódot hordozhatnak, amely betöltéskor deszerializálódik. Mindkét formátum lehetővé teszi, hogy egy fájl végrehajtható viselkedést hordozzon. Ez a kockázat strukturális jellegű, így egyetlen hiba kijavításával nem lehet megszüntetni. Ez a korlát arra kényszerítette az iparágat, hogy biztonságosabb formátumot keressen.
A valós események miatt az elmélet a „ Supply Chain ” fenyegetéssé vált
A modell-újrafelhasználási támadásokkal kapcsolatos figyelmeztetések először 2018-ban jelentek meg. A kutatók később bebizonyították, hogy ez a kockázat a gyakorlatban is fennáll. 2024 januárjában egy „star23/baller13” nevű modell jelent meg a Hugging Face-en, amely egy PyTorch-fájlban rejtett reverse shell-t tartalmazott. Ez a modell távoli hozzáférést biztosított, miközben továbbra is érvényes modellnek tűnt.
2025 májusára a fenyegetés átterjedt a klasszikus ellátási lánc területére. A támadók olyan PyPI-csomagokat tettek közzé, mint az aliyun-ai-labs-snippets-sdk, az ai-labs-snippets-sdk és az aliyun-ai-labs-sdk, amelyek az Alibaba AI eszközkészletét utánozták, és használat közben észrevétlenül betöltöttek egy rosszindulatú modellt. A csomagok kevesebb mint 24 órán át voltak elérhetők, mégis körülbelül 1 600 alkalommal töltötték le őket; ez is jól mutatja, hogy egy rövid ideig tartó kitettség is bőven elegendő, ha a letöltést automatizált függőség-feloldás végzi.
A rétegesen felépített „pickle” típusú hasznos terhelések legyőzik a hagyományos szkennereket
2024-re a támadók már azokat a szkennereket vették célba, amelyeket kifejezetten a rosszindulatú modellek felismerésére fejlesztettek ki. A legszembetűnőbb példa erre a „Stacked Pickle” technika, amely több pickle-objektumot ágyaz egymásba, a rosszindulatú utasításokat a rétegek között elosztja, majd tömörítéssel és kódolással burkolja be őket.
Egyes rétegek önmagukban vizsgálva ártalmatlannak tűnnek, ezért a felszínen megálló szkennerek és kézi ellenőrzések nem találnak semmit. A modell betöltésekor a rétegek egymás után kibontakoznak, és újra összeállítják a hasznos terhet. Az ezzel a technikával létrehozott koncepcióbizonyító minta a VirusTotal minden motorjánál nulla észlelést eredményezett.
Egy olyan szkennelő, amely csak a látható réteget ellenőrzi, elmulaszthatja a fájl mélyebb rétegeiben elrejtett hasznos adatot. Így jutott át a minta minden szkennelőprogramon.
A Safetensors teljes mértékben eltávolítja a végrehajtó motort
A Safetensors a modell súlyait végrehajtó motor nélkül tárolja. Egy fájl egy tömör metaadat-fejlécet tartalmaz, amely leírja az egyes tenzorok alakját, adattípusát és bájteltolását, majd ezt követik a tenzor nyers bájtjai. Nincs benne utasításfolyam, virtuális gép, sem a pickle REDUCE parancsának megfelelő elem, így a betöltő nem kaphat utasítást egy függvény meghívására.
A Safetensors-fájl olyan passzív adat, amelyet a betöltő olvas be. Még egy rosszindulatúan létrehozott fájl sem képes kódot végrehajtani betöltéskor, mivel a formátum nem biztosít lehetőséget a kód futtatására.
Miért jött létre a Safetensors, és miért terjedt el?
A régi formátumok problémája soha nem maguk a súlyok voltak. Az volt a gond, hogy a fájl végrehajtható utasításokat is tartalmazhatott. A Hugging Face az EleutherAI-vel és a Stability AI-vel együttműködve kifejlesztette a Safetensors-t, egy kifejezetten erre a célra készült alternatívát, amely kiküszöböli ezt a képességet, miközben megőrzi mindazt, amire a fejlesztőcsapatoknak szükségük van egy súlyfájlból.
A Safetensors emellett rendkívül praktikus is. Memóriatérképelt, zero-copy hozzáférés révén gyorsan betöltődik, a PyTorch, a TensorFlow, a JAX és más keretrendszerekben egyaránt működik, és a legtöbb új modellkiadásnál már alapértelmezetté vált. Ezek az előnyök hozzájárultak ahhoz, hogy kötelező előírás nélkül is elterjedjen.
Egy független audit alátámasztja a biztonsági állítást
A biztonsági állítás nem kizárólag a karbantartókra vezethető vissza. A könyvtár Rust nyelven íródott, amelynek fordítója megakadályozza bizonyos osztályú elemzési hibák kialakulását. 2023-ban a Hugging Face, az EleutherAI és a Stability AI közösen megbízta a Trail of Bits céget a formátum független ellenőrzésével.
Az ellenőrzés során nem tártak fel olyan kritikus hibát, amely önkényes kódfutáshoz vezethetne. Az ellenőrzés során néhány pontatlanságot tártak fel a specifikációban, valamint egy hiányzó érvényesítést, amely lehetővé tette a többnyelvű fájlok használatát. A karbantartók mindegyiket kijavították és közzétették, majd a Safetensors-t állították be alapértelmezettként.
Az azóta eltelt időszakra vonatkozó adatok alátámasztják a könyvvizsgálat megállapításait. A régi formátumok 2024 óta is valós incidenseket okoztak, míg ugyanebben az időszakban nem mutattak ki olyan kódvégrehajtási támadást, amely közvetlenül a Safetensors formátumot célozta volna meg. A Safetensors nem biztosít a támadók számára olyan végrehajtási mechanizmust, amely a pickle-alapú fájlokat veszélyessé teszi. A fennmaradó kockázat a még mindig széles körben használt régi formátumokból ered.
A „ Supply Chain ” modellhez még mindig szükség van egy ellenőrző nyílásra
A kockázat abból fakad, hogy egy modellfájl-formátum képes-e a súlyok mellett kódot is hordozni. A Pickle, a PyTorch, a TensorFlow és a Keras formátumok képesek erre; a Safetensors viszont tervezésénél fogva nem. A biztonsági szakembereknek a futtatható modellformátumokat kockázatként kell kezelniük, minden, a környezetbe bekerülő modellt ellenőrizniük kell, és ahol csak lehetséges, a csapatokat a biztonságos formátumok használata felé kell irányítaniuk.
Több millió régi formátumú modell található még a nyilvános tárolókon, és a csapatok továbbra is letöltik őket. Előfordulhat, hogy egy tároló egy biztonságos fájl mellett pickle-formátumú fájlt is tartalmaz, így a Safetensors súlyok jelenléte még nem jelenti azt, hogy az egész tároló biztonságos lenne. A modellellátási láncban ellenőrzési pontot kell bevezetni mindaddig, amíg a régi formátumokat ki nem vonják a forgalomból.
A gyakorlatban ez egy rövid, alacsony hamis pozitív arányú ellenőrzőlistává válik:
- Előnyben részesítsd a Safetensors fájlokat, és a régebbi formátumokat úgy kezeljed, hogy azok használata előtt ellenőrzésre szorulnak. Bármely, nem ellenőrzött kiadótól származó .pt, .pth, .bin, .pkl, .pb vagy .h5 modellt beolvasásnak kell alávetni, mielőtt betöltenéd.
- A régi formátumú modell betöltését tekintsük végrehajtási eseménynek. Az a modellbetöltés, amely shell-t indít, kimenő kapcsolatot nyit a Python-értelmezőből, vagy érzékeny könyvtárba ír, olyan viselkedési jel, amely – akárcsak bármely kódvégrehajtás – a gazdagép-telemetria részét képezi.
- Az egész artefaktumot vizsgálja meg, ne csak a súlyozási fájlt. Az elemzés tárgya a szállított modellcsomag, mivel a tárház formátuma csupán állítás, nem pedig garancia, amíg azt valaki nem igazolja.
Hogyan vizsgálja meg az MetaDefender Aether ötrétegű feldolgozási folyamata az LLM-modellfájlokat?
MetaDefender Az Aether™, az OPSWAT egységes „ zero-day ” felismerési megoldása, ötrétegű ellenőrzési folyamat révén 99,9%-os zero-day felismerési hatékonyságot biztosít. Minden beérkező fájl feldolgozása a fájltípus-elemzéssel kezdődik, amely a fájl kiterjesztése helyett a fájl tartalmát alapján azonosítja azt. Minden elemzési réteg önállóan hozhat döntést. Amint egy réteg végleges eredményre jut, az elemzés leáll, így a legtöbb fájl elkerüli a mélyebb, erőforrás-igényesebb szakaszokat.
- Fenyegetési hírnév. A fájl hash-értékét és a kapcsolódó indikátorokat a OPSWAT globális fenyegetési adatbázisával vetjük össze, amely több mint 50 milliárd indikátort tartalmaz. Az olyan hash-értékeket, amelyek már egy ismert rosszindulatú feltöltéshez kapcsolódnak, kevesebb mint egy másodperc alatt blokkoljuk, az ismert, biztonságos fájlok pedig ugyanilyen gyorsan átmennek a szűrőn, így csak az ismeretlen fájlok jutnak tovább.
- Statikus elemzés. Mielőtt bármi is futna, a fájlt a Predictive Alin AI értékeli, statikus elemzés és víruskereső motoros vizsgálat mellett. A Predictive Alin AI milliszekundumok alatt ad ki gépi tanuláson alapuló eredményeket, anélkül, hogy a sandbox -en futtatná a kódot; a rendszer gondosan összeállított, adatvédelmi szempontból biztonságos vállalati adatkészleteken lett betanítva, és folyamatosan fejlesztik a zero-day újratanítási cikluson keresztül, amelyet a MetaDefender Aether megerősített észlelései táplálnak. A modellfájlok esetében itt kerülnek kiszűrésre azok a gyanús pickle-fájlok, amelyek felismerhető hasznos adat opkódokat tartalmaznak, még mielőtt bármilyen emulációs időt fordítanának rájuk.
- Dinamikus elemzés. Az utasításszintű emuláció megoldja a „Stacked Pickle” problémát azzal, hogy minden egyes minta esetében a teljes virtuális gép indítása nélkül feltárja a fájl viselkedését. Ezzel kijátsza a virtuális gépek elleni ellenőrzéseket és az időbeli késleltetéseket, amelyekkel a hagyományos homokládák megkerülhetők, így az elemzést percek helyett másodpercek alatt végzi el, akár 20-szor gyorsabban és 100-szor nagyobb adatmennyiséget feldolgozva, mint a hagyományos „ sandboxing ” eszközök.
- Fenyegetésértékelés. Ez a réteg egyesíti a meghívott funkciókat, a megkísérelt kapcsolatokat, a hírnévvel kapcsolatos jelzéseket és az első három rétegből származó egyéb megállapításokat. Több mint 900 viselkedési mutatóra támaszkodik, hogy egy cselekvésre alkalmas pontszámot és egy hasonlósági ujjlenyomatot állítson elő a végső szakaszhoz.
- Fenyegetéskeresés. A gépi tanuláson alapuló hasonlóságkeresés összehasonlítja az ujjlenyomatot a OPSWAT fenyegetés-információs adatbázisával és a MITRE-rendszerben feltérképezett viselkedésmintákkal, hogy azonosítsa a változatokat és a kampányokat. Egy újracsomagolt vagy átnevezett rosszindulatú modellnek lehet, hogy új hash-értéke van, de ez a réteg így is képes felismerni a hasonlóságot egy ismert, rosszindulatú előddel.
A teljes folyamat automatikusan lezajlik. Egyetlen összefoglaló értékelést és egy bizonyítékjelentést állít ki, amely minden mutatót összekapcsol azzal a viselkedéssel, amely azt eredményezte.
MetaDefender Aether Minden belépési pontnál ellenőrzi a modellfájlokat
A modellek webes letöltések, e-mailek, fájlátviteli platformok és automatizált adatáramlási folyamatok útján érkeznek. Az ellenőrző pontnak minden útvonalat le kell fednie anélkül, hogy a szervezeteket arra kényszerítené, hogy áttervezzék a forgalmat továbbító infrastruktúrát.
A hálózati csatornák esetében a MetaDefender Aether a ICAP-en keresztül integrálódik, amely az a szabványos protokoll, amelyet a proxy-k, az e-mail-átjárók és a fájlátviteli platformok már használnak a fájlok átadására egy ellenőrző szolgáltatásnak. Amennyiben a forgalom soha nem halad át hálózati eszközön, ugyanaz az elemzés helyette egy REST-felületen API is elérhető.
- Webes letöltések. Amikor egy fejlesztő letölt egy modellt a Hugging Face-ről vagy a Kaggle-ről, a proxy vagy a biztonságos webes átjáró a letöltést a ICAP oldalon keresztül továbbítja a MetaDefender Aether címre, és a rosszindulatú pickle-fájlt még azelőtt megállítja, hogy az elérné a végpontot.
- E-mail. A mellékletként megosztott modellfájlokat és mesterséges intelligencia-eszközöket ugyanazon a feldolgozási folyamaton keresztül vonják ki és elemzik, mint bármely más mellékletet, így megszüntetve a rendszerleíró adatbázis szintű ellenőrzések kijátszására szolgáló társadalmi manipulációs lehetőséget.
- Fájlátvitel. A partnerekkel és beszállítókkal kicserélt, illetve a felügyelt fájlátvitel segítségével a belső zónák között továbbított fájlokat az átvitel során ellenőrzik, így a bizalmi határ még azoknál a fájloknál is érvényben marad, amelyek soha nem érintkeznek nyilvános elosztóponttal.
- Automatizált feldolgozási folyamatok és nyilvántartások. Olyan építési feladatokat és gépi tanulási platformokat kell létrehozni, amelyek programozási úton töltik le a modelleket, majd azokat a API oldalon keresztül küldik el, mielőtt bármi is felkerülne egy belső nyilvántartásba. Ezzel pontosan azt az útvonalat zárják le, amelyet az Alibaba PyPI-csomagok kihasználtak: ebben az esetben a függőségek feloldása során történik a letöltés, és senki sem lát olyan fájlt, amely gyanút kelthetne.
Minden útvonal ugyanazt az ellenőrzési folyamatot és döntéshozatali logikát alkalmazza, így nem marad olyan felügyelet nélküli csatorna, amelyet a támadó kihasználhatna.
Biztonság a fejlesztők munkájának lassítása nélkül
A biztonsági csapatok gyakran nem foglalkoznak a modellkockázattal, mivel a nyilvános hubokról történő letöltések tiltása kivitelezhetetlen. MetaDefender AAether segítségével a fejlesztők megtarthatják a meglévő munkafolyamataikat, miközben a folyamat a modelleket emulációs sebességgel, a folyamat során ellenőrzi. A letiltott letöltésekhez egy indoklást tartalmazó jelentés is tartozik, amelyben a döntés indoklása szerepel.
Tudja meg, hogyan vizsgálja meg a MetaDefender Aether az LLM-modellfájlokat, mielőtt azok átlépnék a bizalmi határt.
Gyakran ismételt kérdések
Mi az LLM-modell biztonság?
Az LLM-modell biztonság az a gyakorlat, amelynek során az előre betanított mesterséges intelligencia-modell fájlokat beágyazott rosszindulatú kódok jelenlétére vizsgálják meg, mielőtt azokat egy környezetbe betöltenék. Ez a módszer a nyilvános központokból letöltött modelleket nem passzív adatokként, hanem a bizalmi határt átlépő futtatható szoftverekként kezeli.
Miért veszélyesek a pickle fájlok a mesterséges intelligencia modellek számára?
A virtuális gép a pickle fájl betöltésekor végrehajtja annak utasítássorát. A REDUCE utasítás lehetővé teszi a támadónak, hogy a folyamat során tetszőleges függvényeket hívjon meg, így egy pickle-alapú modell betöltése figyelmeztetés nélkül futtathatja a támadó által irányított kódot.
Mi az a Safetensors, és miben különbözik a pickle-től?
A Safetensors egy kizárólag adatokat tároló fájlformátum a modell súlyozási értékeinek tárolására, amely egy metaadat-fejléccel és nyers tenzor-bájtokkal rendelkezik, de nem tartalmaz végrehajtó motort, és nincs benne a pickle REDUCE utasításának megfelelő elem. Míg a pickle-fájl egy olyan program, amelyet a betöltő futtat, addig a Safetensors-fájl egy passzív adat, amelyet a betöltő beolvas.
Lehet-e egy Safetensors-fájl mégis rosszindulatú?
A Safetensors-fájl betöltésekor nem futtathat kódot, mivel a formátum nem biztosít végrehajtási útvonalat. Ugyanakkor előfordulhat, hogy egy lerakat a biztonságos Safetensors-súlyok mellett régebbi, pickle-alapú fájlokat is tartalmaz, ezért a teljes lerakatot mindenképpen át kell vizsgálni.
Hogyan észleli a MetaDefender Aether a rosszindulatú LLM-modelleket?
MetaDefender Aether öt rétegen keresztül vizsgálja a modellfájlokat: fenyegetési hírnév, statikus elemzés, dinamikus elemzés, fenyegetési pontszám és fenyegetéskeresés. A legtöbb fájlt még azelőtt megállítja, hogy azok eljutnának a mélyebb, költségesebb szakaszokba, és képes felismerni azokat a réteges „pickle” hasznos terheléseket is, amelyek átjutnak a hagyományos, egyrétegű szkennereken.
Minden modellt vizsgáljon meg, mielőtt átlépné a bizalmi határt
A csapatok manapság újrahasznosított, előre betanított modellekre támaszkodnak, de minden nyilvános forrásból történő letöltéskor felmerül ugyanaz a kérdés: a fájl kizárólag adatokat tartalmaz, vagy képes kódot futtatni? Az MetaDefender Aether még a modell betöltése előtt választ ad erre a kérdésre, öt elemzési réteget alkalmazva a webes letöltésekre, az e-mailekre, a fájlátvitelekre és az automatizált feldolgozási folyamatokra.
