DITTO 提出首个基于堆栈与上下文感知的 Pickle 预训练模型扫描器并建立新基准

该论文针对预训练模型广泛使用不安全的 Pickle 格式导致的反序列化攻击风险，提出了 DITTO 扫描器。分析显示在逾万个 Hugging Face 热门仓库中，9.3% 依赖 Pickle 格式，而现有最先进扫描器存在覆盖度与精确度的差距，常遗漏敏感行为或产生大量误报。DITTO 通过忠实追踪 Pickle 虚拟机状态转换并结合上下文语义分析来推断模型意图，旨在生成具备上下文证据的可执行安全报告。

研究团队构建了包含 959 个良性样本和 92 个恶意样本的 PickleBench 基准，其中纳入了此前工具未能发现的扩展注册表攻击案例。在多项评估中，DITTO 实现了 100% 的扫描覆盖率和 0% 的漏报率，误报率仅为 0.7%，F1 分数达到 0.966，显著优于现有最先进扫描器。这一结果验证了其在最小化误报的同时保持高检测准确性的能力。

事实层面，DITTO 确实在特定基准上达到了上述性能指标，且解决了 Pickle 格式在模型分发中的普遍安全隐患。推断层面，该工具若被集成至主流模型托管平台，将大幅降低因模型加载引发的供应链攻击风险。猜测层面，其实际部署效果可能受限于非标准 Pickle 变体的复杂性，但当前数据表明其在处理已知恶意模式方面具有决定性优势。