Poly-Mal-Scan_恶意代码扫描器

Poly-Mal-Scan — FWold 多语言恶意代码扫描（技能参考）

本文档是 FWold 工具使用的通用事实基准（single source of truth，位置无关）： 项目是什么、检测器怎么跑（CLI / MCP）、规则库怎么持续更新、运行依赖是什么。 本文件不假设仓库所在的具体机器/路径；统一用仓库根 $ROOT 指代"含 php_security/、js_security/、bash_security/、detect_mcp_server.py 的那层目录"。 开工先定位 $ROOT（找不到就问用户放哪，不要猜）；涉及具体语言规则来源再跳对应目录的 特征码来源.md。

---

1. 项目简介

FWold = 多语言恶意代码扫描检测器集群，用于在 PHP / JavaScript(Node) / Bash 源码里定位免杀 webshell、反弹 shell、命令注入、文件写入后门、混淆 payload 等恶意行为。

每个语言一套三层检测器、彼此对称：

三层检测逻辑（每套一致）：

1. AST 归一化层 —— 用 tree-sitter 把源码翻译成"暴露更多行为、正则可命中"的等效文本（常量折叠、变量解析、动态函数名、字符串拼接折叠、命令替换摊平、转义/编码还原），并保留原文行号 + 字节偏移定位。
2. 规则库层 —— 从 JSON 加载规则（威胁函数、多编码特征码 MULTI_ENC_TRAITS）。内置 8 种编码器：plain / base64 / url / hex / octal / chr / rot13 / html，把原料词条 × 编码推导成易识别的混淆指纹。
3. 正则研判层 —— 逐行扫 + 历史窗口伪污点溯源 + 逻辑规则引擎（and/or/not，模仿 yara）。命中后用归一化层的 loc 反查回原文精确位置。

多语言路由网关：根目录 detect_mcp_server.py 用智能语言识别，自动决定对一段文件/代码调用 php/js/bash 中哪些检测器，支持无代码不调用 + 多语言同时调用。

顶层目录另带测试集（php_security/文本测试数据/ 30 个、js_security/testdata/ 40 个、bash_security/testdata/ 60 个，数量以实际为准），供回归与规则校验收口。

---

2. 运行方式（CLI，位置无关）

主调度器支持命令行直接扫文件，输出统一 JSON：

PY=python3        # 指向装好依赖的 Python 解释器名/路径; 只有一个解释器就用它

cd "$ROOT/php_security"
$PY phpdect.py 待扫描文件.php        # 输出 JSON(默认 phpdest.php)

cd "$ROOT/js_security"
$PY jsdect.py 文件.js

cd "$ROOT/bash_security"
$PY bashdect.py 文件.sh

程序化调用（推荐）：把对应目录加入 sys.path 后 import，单文件返回完整 dict：

import sys; sys.path.insert(0, "$ROOT/php_security")
from phpdect import phpfile_threatening_dect   # 单文件
d = phpfile_threatening_dect('a.php')
# d['是否有威胁']  bool;  d['威胁']  分类 {类别: [条目]}
#   条目含: 函数名/参数/威胁级别/原文内容/行数/原文定位(如有)

from phpdect import scan_to_json               # 多文件 + 递归静态 include
res = scan_to_json('入口.php', recursive=True) # 返回 list[dict]

入口函数名对齐（位置无关）：scan_to_json 三套均有；单文件为 phpfile_threatening_dect / jsfile_threatening_dect / bashfile_threatening_dect。

Bash 侧自带规则覆盖回归：cd "$ROOT/bash_security" && $PY run_tests.py（退出码：0 全检出且规则全覆盖 / 1 有漏报样本 / 2 无漏报但某规则 ID 未被测试覆盖）。

---

3. MCP 服务用法（detect_mcp_server.py）

是什么：独立单文件、可跨机器分发。与三语言目录平级放在仓库 $ROOT。用 stdio + 行分隔 JSON-RPC 2.0；python detect_mcp_server.py 启动后即可接入支持 MCP 的客户端。

提供 3 个工具：

参数规则：file_path 与 content 二选一。content 传片段时可用 filename 辅助识别扩展名；无输入或纯文本会判 no_code=True，不调用任何检测器；no_code=False 才扫。

语言识别信号：扩展名、shebang、内容特征（<?php、JS function/const/require/document.、Bash /dev/tcp·nc -e·export/source 等）。.html/.vue/.tpl 走内容内嵌识别——内嵌几段代码就同时调几个检测器（如 php+js）。

CLI 自测（非 MCP 模式）：

cd "$ROOT" && python3 detect_mcp_server.py --detect 某文件   # 语言识别
cd "$ROOT" && python3 detect_mcp_server.py --scan   某文件   # 识别+扫描

返回结构（scan）：

{
  "文件": "...", "检测到的语言": [...],
  "判定依据": {...}, "使用检测工具": ["php", ...],
  "无对应工具的代码语言": [...], "no_code": false,
  "是否有威胁": true,
  "结果": { "php": [检测器完整单文件扫描 dict], "js": [...] }
}

说明：scan 用 content 时会写临时文件、用后自清；_load_detector 懒加载对应语言模块并缓存。要让某语言检测器出 AST 层结果，需要该语言能在解释器里 import tree-sitter（见第 5 节）。已按标准 MCP stdio 客户端实测 19/19 项握手/列表/调用/无代码/多语言/报错断言通过——换机器同样可用（别名检测 --detect/--scan）。

---

4. 规则库：结构 + 持续更新（重要）

铁律

规则数据与代码解耦。 威胁函数、词条、直接特征码、命令/变量/写入/自复制规则全部外置 JSON；加规则只改 JSON，不改 Python 检测逻辑。改词条下次 import 即生效（多编码特征码在导入期由"词条 × 8 编码器"自动推导）。

各语言规则数据文件：

• PHP：threatening_funcs.json（函数名+级别）、categories.json（词条 + 可带 逻辑规则 键做 and/or/not 组合）、raw_traits.json（"看到即判死"直接指纹，写各编码最终形态）。
• JS：js_threatening_funcs.json / js_categories.json（+逻辑规则）/ js_raw_traits.json。
• Bash：bash_threatening_funcs.json/bash_categories.json/bash_raw_traits.json，另按类别拆 bash_malicious_commands.json、bash_malicious_variables.json、bash_file_write.json、bash_self_replicate.json。

加载器（detect_rules.py/js_detect_rules.py/bash_detect_rules.py）以自身文件所在目录为基准定位 JSON（_RULES_DIR），从任意目录 import 都不丢文件；产 MULTI_ENC_TRAITS（词条推导 ∪ RAW、去重、按 MIN_TRAIT_LEN=4 过滤短码防二进制误报）与各结构化规则列表/索引。

提取规约（三种语言通用）

• 只收**"看到即可判死"的高确定性指纹**（典型/高危优先）；剔易碰撞短串（<4 字节、纯常见英文词）。
• plain 明文只收完整恶意片段（如 eval($_POST['p1']、nc -e /bin/bash、>> ~/.ssh/authorized_keys），不收 eval/curl/system 这类被 threat_func 覆盖且易误报的裸词。
• 编码特征码写"该编码最终形态"（base64 去 =；url/hex/octal/chr/rot13/html）。
• 类别键与对应 MULTI_ENC_TRAITS / 规则结构类别一致（别自造拼不上的键）。

🔁 持续更新：新规则从哪来

使用中要随时更新规则库。新来源除各 特征码来源.md 已登记的也可自己找。加完在对应 特征码来源.md 补记"来源/许可/如何提取/已采用对照"，保持可追溯。

各目录已登记来源（特征码来源.md），可复用于抓新指纹：

• PHP：tennc/webshell(GitHub, MIT) 的 php/ 样本（一句话/大马/WAF bypass）。来源2 占位。
• JS：tennc/webshell 的 nodejs/ 反弹 shell；testdata / DOM XSS 注入指纹。来源3 占位。
• Bash：MITRE ATT&CK 企业矩阵 (attack.mitre.org, CC-BY-4.0) —— 每条结构化规则威胁类型/级别/参考(T1548/T1572/T1059) 对齐它；公开反弹 shell/提权/混淆武器库；本项目 testdata 反向校验。来源4 占位。

可自行拓展的来源示例（尊重许可+注明出处）：GitHub webshell 聚合仓库、安全厂商公开 YARA/规则集、NVD/Exploit-DB、AV 样本库、社区 C2/加载器样本等。务必：优先自由/开源许可、别塞低置信短串、加后用 testdata + run_tests 回归不引误报。

新增规则流程（端到端）

1. 找恶意样本/可信来源，提炼高确定性指纹。
2. 写对 JSON（位置无关、都在对应语言目录）：函数名→threatening_funcs.json；词条→categories.json；完整明文/编码指纹→raw_traits.json 对应类别（写最终形态）；Bash 结构化命令/变量/写入/自复制→对应 bash_*_*.json。
3. （重）import 对应 detect_rules（触发 MULTI_ENC_TRAITS 重推导）。
4. 恶意样本应检出、正常/边界样本不误报，各测一遍。
5. 跑该语言 testdata 全量；Bash 用 run_tests.py，确认无回归。
6. 在对应 特征码来源.md 更新对照表。

---

5. 运行依赖 / 使用的库

只列通用要求；具体到某台机器的解释器用哪个，以实际环境为准，不要套用别的机器的路径。 找一个能 import 下列建议库的 Python 即可获得完整能力。

说明：

• MCP 服务 detect_mcp_server.py 零第三方依赖（只用 stdlib+json），任意 Python 可起；但它调某语言检测器想要 AST 仍需 tree-sitter。
• 目标机器缺失 tree-sitter：各检测器守卫式降级（_AST_AVAILABLE=False 静默回退纯正则），不崩，但动态函数名/拼接混淆/污点摊平这类靠 AST 揭穿的威胁会漏——若要完整请装上。
• 安装：pip install "tree_sitter>=0.26" "tree_sitter_language_pack>=1.15"。
• 运行前先在本机 import tree_sitter、import tree_sitter_language_pack 探一下，别再照搬别的机器的版本/路径。

---

6. 触发提示 / 何时启用（技能侧）

以下任一情形应启用本技能并先定位 $ROOT，必要时读本文件：

• 用户提到 FWold / php_security / js_security / bash_security / phpdect / jsdect / bashdect / detect_mcp_server，或要扫 PHP/JS/Bash 里的 webshell/后门/恶意命令；
• 需要测试或挂载上述 MCP、识别某文件/代码用了哪些语言并决定调用哪套检测器；
• 需要给检测器新增/调准规则、修误报/漏报、跑全量回归；
• 对话中出现上述目录相关崩溃/差异，需对照本项目排查。

默认动作：先确认仓库根与当前可用 Python（能 import 建议库的那个）；改规则遵循第 4 节"JSON is the only source of truth"并回归。