LLM (Büyük Dil Modeli) model güvenliği, önceden eğitilmiş yapay zeka model dosyalarının bir ortama yüklenmeden önce gömülü kötü amaçlı kod açısından incelenmesi sürecidir. Pickle, PyTorch, TensorFlow ve Keras gibi formatlardaki model dosyaları, yüklendikleri anda kod çalıştırabilir; bu da onları, denetlenmemiş yazılımların çalıştırılmasına eşdeğer bir tedarik zinciri riski haline getirir.
Özet / Önemli Noktalar
- Hugging Face, Kaggle veya PyPI’dan indirilen önceden eğitilmiş modeller, pasif veriler değil, çalıştırılabilir kodlardır
- JFrog’un “Software ” (Supply Chain ) başlıklı “State of the Union 2026” raporuna göre, kuruluşların %53’ü modelleri doğrudan halka açık kayıt defterlerinden almaktadır; araştırmacılar bu kayıt defterlerinde, kimlik bilgilerini çalma ve sistemi tamamen ele geçirme yeteneğine sahip yaklaşık 495 kötü amaçlı model tespit etmiştir.
- Pickle tabanlı formatlar (.pt, .pth, .bin, .pkl), yükleme sırasında REDUCE komutu aracılığıyla rastgele işlevler yürütür; bu, TensorFlow grafikleri ve Keras Lambda katmanlarında da görülen aynı yapısal kusurdur.
- Safetensors, yürütme motorunu tamamen ortadan kaldırır; ancak yüz binlerce eski formatlı model hâlâ kullanımda olup, bir depodaki güvenli bir dosya, o deponun geri kalanının da güvenli olduğunu garanti etmez
- MetaDefender Aether™, model dosyalarını beş analiz katmanında inceleyerek, geleneksel tarayıcılarda temiz olarak değerlendirilen yığılmış pickle yükleri gibi tehditleri tespit eder
Önceden Eğitilmiş Yapay Zeka Modelleri, Güven Sınırını Aşan Yürütülebilir Kodlardır
Sıfırdan büyük bir dil modeli oluşturmak, çoğu kuruluşun sahip olmadığı veri, hesaplama gücü ve zaman gerektirir. Bunun yerine ekipler, Hugging Face, Kaggle ve PyPI gibi halka açık platformlardan önceden eğitilmiş modelleri indirir. Bu bağımlılık, birçok güvenlik programının hâlâ göz ardı ettiği bir tedarik zinciri saldırı vektörü yaratmıştır.
Kuruluşlar, ortamlarına aldıkları açık kaynak kütüphaneleri ve konteyner görüntülerini halihazırda inceliyor. Model dosyası sadece sayılardan oluşan bir hesap tablosu olmasa da, ekiplerinin indirdiği yapay zeka modellerine de aynı titizliği gösteren kuruluşların sayısı azdır. Biçimine bağlı olarak, bir model dosyası yüklendiği anda çalışan bir program olabilir.
Hugging Face tek başına bir milyondan fazla modeli barındırmaktadır ve bunların çoğu hiçbir zaman güvenlik incelemesinden geçmemiştir. JFrog’un “Software ” (Supply Chain ) başlıklı “State of the Union 2026” raporuna göre, kuruluşların %53’ü artık modelleri doğrudan halka açık kayıt defterlerinden almaktadır ve araştırmacılar, bu kayıt defterlerinde kimlik bilgisi hırsızlığı, kod yürütme ve sistemin tamamen ele geçirilmesine yol açabilecek yaklaşık 495 kötü amaçlı model tespit etmiştir. Bir LLM modeli, güven sınırını aşan yürütülebilir bir yazılımdır.
Model Kaynaklı Tehditler Teoriden Kaçınma Yöntemlerine Nasıl Evrildi?
Tehdit aşamalı olarak gelişti: akademik uyarılar, kavram kanıtlamaları, gerçek hayattaki tedarik zinciri suistimalleri ve tarayıcıları atlatmak için tasarlanmış kaçırma teknikleri.
Model Kaynaklı Tehditlerin Gelişimi, 2018–2026
Aşama | Zaman aralığı | Neler Değişti | Temsili Kanıt |
Teori | 2018 | Akademisyenler, güvenilir olmayan kaynaklardan alınan ve yeniden kullanılan, önceden eğitilmiş modellerin manipüle edilebileceği konusunda uyarıyor | Derin Öğrenme Sistemlerine Yönelik Model Yeniden Kullanım Saldırıları |
Kavram kanıtı | 2023–2024 | Gerçek kötü amaçlı modeller ortaya çıkıyor; pickle tabanlı formatların aktif yükler taşıdığı ortaya çıktı | Ters kabuk taşıyan model star23/baller13, Hugging Face’te yer aldı |
Vahşi doğada | 2024–2025 | Paket kayıt sistemleri aracılığıyla tedarik zinciri teslimatları sayesinde hacim artıyor | Alibaba markalı PyPI paketleri, büyük dil modelleri (LLM) tedarik zinciri saldırılarının başladığını gösteriyor |
Gelişmiş kaçma taktikleri | 2024–2025 | Hızlı denetimleri atlatmak üzere tasarlanmış, katmanlı ve üst üste yerleştirilmiş yükler | Katmanlı bir Pickle kavram kanıtı, VirusTotal’da 0/70 puan aldı |
Daha güvenli bir format | 2023–2026 | Kod taşıyamayan, yalnızca veriye dayalı bir format piyasaya sürülse de, eski modeller hâlâ yaygın olarak kullanılmaktadır | Safetensors, yeni model sürümlerinde varsayılan seçenek haline geliyor |
Pickle ve PyTorch Dosyaları Yüklendikleri An Kod Yürütürler
Pickle, Python’un yerel serileştirme formatıdır ve yıllarca modelleri diske kaydetmenin standart yöntemi olmuştur. PyTorch, .pt, .pth ve .bin dosyalarını bu formatın üzerine inşa etmiştir ve birçok model bu formatlarda yayınlanmıştır. Günümüzde daha güvenli seçenekler mevcuttur; ancak bunlar, soyut bir iş dili olarak ortadan kaldırılmıştır. Halka açık platformlarda hâlâ dolaşımda olan modellerin büyük bir kısmı pickle tabanlıdır ve ekipler bunları her gün yüklemektedir.
Pickle, sadece veriyi depolamakla kalmaz. Bu, sanal makinenin dosyayı yüklerken ve Python nesnelerini yeniden oluştururken yürüttüğü bir komut akışıdır. Bu akış, herhangi bir işlevi çağırabilir; dolayısıyla, pickle tabanlı bir modelin yüklenmesi sırasında kod da çalıştırılabilir.
Saldırganlar, “pickle REDUCE” komutunu istismar ederler; bu komut, yükleyiciye, “unpickling” işlemi sırasında saldırganın seçtiği argümanlarla belirli bir işlevi çağırmasını söyler. Bu yöntem, model hâlâ yüklenirken ve meşru bir dosya gibi davranırken ters kabuk başlatabilir, ikinci aşama yükü yerleştirebilir veya bir SSH anahtarını üzerine yazabilir.
TensorFlow ve Keras benzer riskler barındırır. Kötü niyetli TensorFlow grafikleri, hesaplama grafiğine dosya yazma veya ağ operatörlerini gizlice sokabilirken, Keras Lambda katmanları ise yüklendiğinde serileştirilmesini geri alan, düzenlenmiş Python bayt kodunu taşıyabilir. Her iki format da bir dosyanın yürütülebilir davranışlar içermesine imkân tanır. Bu risk yapısal nitelikte olduğundan, tek bir hatanın düzeltilmesi bu riski ortadan kaldıramaz. Bu sınırlama, sektörü daha güvenli bir format bulmaya zorladı.
Gerçek Hayattaki Olaylar, Bu Teoriyi “ Supply Chain ” Tehdidine Dönüştürdü
Model yeniden kullanımı saldırılarına ilişkin uyarılar ilk olarak 2018 yılında ortaya çıktı. Araştırmacılar daha sonra bu riskin pratikte de geçerli olduğunu kanıtladılar. Ocak 2024’te, Hugging Face platformunda star23/baller13 adlı bir model, bir PyTorch dosyası içinde ters kabuk (reverse shell) barındıran bir şekilde ortaya çıktı. Bu model, geçerli bir modelmiş gibi görünmeye devam ederken uzaktan erişim imkânı sağlayabiliyordu.
Mayıs 2025’e gelindiğinde, tehdit klasik tedarik zinciri alanına kaydı. Saldırganlar, Alibaba yapay zeka araç setini taklit eden ve kullanım sırasında gizlice kötü amaçlı bir model yükleyen aliyun-ai-labs-snippets-sdk, ai-labs-snippets-sdk ve aliyun-ai-labs-sdk adlı PyPI paketlerini yayınladılar. Paketler 24 saatten az bir süre boyunca yayında kaldı, ancak yaklaşık 1.600 kez indirildi; bu durum, indirme işleminin otomatik bağımlılık çözümleme yoluyla yapıldığı durumlarda kısa bir maruz kalma süresinin bile fazlasıyla yeterli olduğunu hatırlatıyor.
Birbirine Eklenmiş Pickle Yükleri, Geleneksel Tarayıcıları Aşıyor
2024 yılına gelindiğinde, saldırganlar kötü amaçlı modelleri tespit etmek üzere tasarlanmış tarayıcıları hedef almaya başlamıştı. Bunun en net örneği, birden fazla pickle nesnesini iç içe yerleştiren ve kötü amaçlı komutları katmanlar arasına dağıtan, ardından bunları sıkıştırma ve kodlama işlemleriyle saran “Stacked Pickle” tekniğidir.
Her bir katman tek başına incelendiğinde zararsız göründüğünden, yüzeysel düzeyde kalan tarayıcılar ve manuel incelemeler hiçbir şey tespit edemiyor. Model yüklendiğinde, katmanlar sırayla açılır ve yükü yeniden birleştirir. Bu teknikle oluşturulan bir kavram kanıtı örneği, VirusTotal’daki tüm tarama motorlarında sıfır tespit sonucu verdi.
Yalnızca görünür katmanı kontrol eden bir tarayıcı, dosyanın daha derinlerinde gizlenmiş bir yükü gözden kaçırabilir. Örnek, işte bu şekilde tüm tarama motorlarını atlatmayı başardı.
Safetensors, Yürütme Motorunu Tamamen Kaldırıyor
Safetensors, model ağırlıklarını bir yürütme motoru olmadan depolar. Bir dosya, her bir tensörün şeklini, veri türünü ve bayt ofsetini tanımlayan kompakt bir meta veri başlığı içerir; bunu ham tensör baytları izler. Dosyada komut akışı, sanal makine ya da pickle’ın REDUCE işlevine eşdeğer bir öğe bulunmadığından, yükleyiciye bir işlevi çağırması talimatı verilemez.
Bir Safetensors dosyası, yükleyici tarafından okunan pasif verilerdir. Kötü niyetle oluşturulmuş bir dosya bile yüklendiğinde kod çalıştıramaz; çünkü bu format, söz konusu kodun çalışması için herhangi bir yol sağlamaz.
Safetensors Neden Oluşturuldu ve Neden Yaygınlaştı?
Eski formatlardaki sorun hiçbir zaman ağırlıkların kendileri değildi. Asıl sorun, dosyanın aynı zamanda çalıştırılabilir komutlar da içerebilmesiydi. Hugging Face, EleutherAI ve Stability AI ile işbirliği yaparak, ekiplerin bir ağırlık dosyasından ihtiyaç duydukları bilgileri korurken bu özelliği ortadan kaldıran, amaca özel bir alternatif olan Safetensors’ı geliştirdi.
Safetensors aynı zamanda pratik bir çözümdür. Bellek eşlemeli, sıfır kopyalamalı erişim sayesinde hızlı bir şekilde yüklenir, PyTorch, TensorFlow, JAX ve diğer çerçevelerde çalışır ve çoğu yeni model sürümünde varsayılan seçenek haline gelmiştir. Bu avantajlar, herhangi bir zorunluluk olmaksızın yaygınlaşmasına katkıda bulunmuştur.
Bağımsız Bir Denetim, Güvenlik İddiasını Doğruluyor
Güvenlik iddiasının kaynağı yalnızca bakım ekibi değildir. Kütüphane, derleyicisi bir dizi ayrıştırma hatasını önleyen Rust dilinde yazılmıştır. 2023 yılında Hugging Face, EleutherAI ve Stability AI, Trail of Bits’e bu formatın bağımsız bir denetimini yaptırmak üzere ortaklaşa bir talepte bulunmuştur.
Denetimde, keyfi kod yürütülmesine yol açabilecek herhangi bir kritik kusur tespit edilmedi. Birkaç spesifikasyon belirsizliği ve çok dilli dosyaların kullanılmasına izin veren eksik bir doğrulama tespit edildi. Sorumlular tüm bunları düzelterek yayınladı ve ardından Safetensors’u varsayılan seçenek olarak belirledi.
O zamandan bu yana elde edilen veriler, denetim raporundaki bulguları doğrulamaktadır. Eski formatlar 2024 yılından bu yana gerçek olaylara yol açmış olsa da, aynı dönemde Safetensors formatına yönelik herhangi bir kod yürütme saldırısı kanıtlanmamıştır. Safetensors, saldırganlara, pickle tabanlı dosyaları tehlikeli kılan saldırı türleri için herhangi bir yürütme mekanizması sunmamaktadır. Geri kalan risk, hâlâ yaygın olarak kullanılan eski formatlardan kaynaklanmaktadır.
Supply Chain 'da Hâlâ Bir Denetim Kapısı Gerekiyor
Risk, bir model dosya formatının ağırlıklarının yanı sıra kod da taşıyıp taşıyamayacağından kaynaklanmaktadır. Pickle, PyTorch, TensorFlow ve Keras formatları bunu yapabilir; Safetensors ise tasarım gereği yapamaz. Güvenlik uzmanları, çalıştırılabilir model formatlarını bir risk olarak değerlendirmeli, ortama giren her modeli incelemeli ve mümkün olduğunca ekipleri güvenli formatlara yönlendirmelidir.
Milyonlarca eski formatlı model halka açık platformlarda hâlâ mevcut ve ekipler bunları indirmeye devam ediyor. Bir depo, güvenli bir dosyanın yanı sıra pickle tabanlı bir dosyayı da içerebilir; bu nedenle Safetensors ağırlıklarının varlığı, deponun tamamını güvenli hale getirmez. Eski formatlar kullanımdan kaldırılana kadar model tedarik zincirinde bir denetim aşaması olması gerekecektir.
Uygulamada bu, kısa ve yanlış pozitif sonuçların az olduğu bir kontrol listesi haline gelir:
- Safetensors’ı tercih edin ve eski formatları kullanımdan önce inceleme gerektiren dosyalar olarak değerlendirin. Doğrulanmamış bir yayıncıdan gelen .pt, .pth, .bin, .pkl, .pb veya .h5 uzantılı tüm modeller, yüklenmeden önce taranmalıdır.
- Eski formatlı bir modelin yüklenmesini bir yürütme olayı olarak değerlendirin. Bir kabuk (shell) oluşturan, Python yorumlayıcısından dışarıya doğru bir bağlantı açan veya hassas bir yola yazma işlemi gerçekleştiren bir model yüklemesi, herhangi bir kod yürütme işlemi gibi ana bilgisayar telemetrisine dahil edilmesi gereken bir davranış sinyalidir.
- Sadece ağırlık dosyasını değil, tüm yapıyı tarayın. Analiz birimi, teslim edildiği haliyle model paketidir; zira bir deponun formatı, bir şey tarafından doğrulanana kadar sadece bir iddiadır, bir garanti değildir.
MetaDefender 'ın Aether adlı beş katmanlı iş akışı, LLM model dosyalarını nasıl inceliyor?
MetaDefender OPSWAT ’in birleşik sıfırıncı gün algılama çözümü olan Aether™, beş katmanlı bir inceleme süreci sayesinde %99,9’luk sıfırıncı gün algılama etkinliği sunar. Her bir dosya incelemesi, dosya uzantısına güvenmek yerine dosyayı tanımlayan dosya türü analizi ile başlar. Her analiz katmanı, değerlendirme sonucunu bağımsız olarak belirleyebilir. Bir katman kesin bir sonuca ulaştığında analiz durur; böylece çoğu dosya, daha derin ve daha maliyetli aşamalardan kaçınır.
- Tehdit İtibarı. Dosyanın hash değeri ve ilgili göstergeler, 50 milyardan fazla göstergeden oluşan OPSWAT adresindeki küresel tehdit istihbaratı veritabanıyla karşılaştırılarak kontrol edilir. Bilinen bir kötü amaçlı yüklemeyle ilişkilendirilmiş bir hash değeri bir saniyeden kısa sürede engellenir; güvenli olduğu bilinen bir dosya ise aynı hızla onaylanır; böylece yalnızca bilinmeyen dosyalar geçiş yapabilir.
- Statik Analiz. Herhangi bir işlem başlatılmadan önce, dosya Predictive Alin AI tarafından statik analiz ve antivirüs motoru taraması kapsamında değerlendirilir. Predictive Alin AI, sanal ortamda çalıştırma gerektirmeden milisaniyeler içinde makine öğrenimi tabanlı kararlar verir. Sistem, özenle seçilmiş ve gizlilik açısından güvenli kurumsal veri kümeleriyle eğitilmiş olup, MetaDefender Aether'in doğrulanmış tespitlerinden beslenen sıfırıncı gün yeniden eğitim döngüsü sayesinde sürekli olarak geliştirilmektedir. Model dosyaları söz konusu olduğunda, tanınabilir yük opkodları içeren şüpheli bir pickle dosyası, herhangi bir emülasyon süresi harcanmadan bu aşamada yakalanır.
- Dinamik Analiz. Komut düzeyinde emülasyon, her örnek için tam bir sanal makineyi başlatmaya gerek kalmadan dosyanın davranışını ortaya çıkararak “Stacked Pickle” sorununu çözer. Eski nesil sanal ortamları atlatan sanal makine önleme kontrollerini ve zamanlama gecikmelerini ortadan kaldırarak, analizi dakikalar yerine saniyeler içinde tamamlar; geleneksel sanal ortam araçlarına kıyasla 20 kat daha hızlı ve 100 kat daha fazla hacimde çalışır.
- Tehdit Puanlaması. Bu katman, çağrılan işlevleri, denenen bağlantıları, itibar sinyallerini ve ilk üç katmandan elde edilen diğer bulguları bir araya getirir. 900’den fazla davranış göstergesinden yararlanarak, son aşama için tek bir eyleme geçirilebilir puan ve bir benzerlik parmak izi oluşturur.
- Tehdit Avcılığı. Makine öğrenimi tabanlı benzerlik araması, parmak izini OPSWAT adresindeki tehdit istihbaratı veritabanı ve MITRE tarafından haritalandırılmış davranışlarla karşılaştırarak varyantları ve kampanyaları tespit eder. Yeniden paketlenmiş veya yeniden adlandırılmış bir kötü amaçlı modelin yeni bir hash değeri olabilir, ancak bu katman yine de modelin bilinen bir kötü amaçlı öncül ile olan benzerliğini tespit edebilir.
Tüm süreç otomatik olarak işler. Tek bir konsolide sonuç ve her bir göstergeyi onu ortaya çıkaran davranışla ilişkilendiren bir kanıt raporu sunar.
MetaDefender Aether, her giriş noktasında model dosyalarını denetler
Modeller, web indirmeleri, e-posta, dosya aktarım platformları ve otomatik iş akışları yoluyla ulaşır. Bir denetim noktası, kuruluşları trafiği taşıyan altyapıyı yeniden tasarlamaya zorlamadan her yolu kapsamalıdır.
Ağ kanalları için, MetaDefender Aether, proxy sunucuları, e-posta ağ geçitleri ve dosya aktarım platformlarının dosyaları bir inceleme hizmetine iletmek için halihazırda kullandığı standart protokol olan ICAP aracılığıyla entegre olur. Trafiğin hiçbir ağ cihazından geçmediği durumlarda ise aynı analize, bunun yerine bir REST API üzerinden erişilebilir.
- Web indirmeleri. Bir geliştirici Hugging Face veya Kaggle’dan bir model indirdiğinde, proxy veya güvenli web ağ geçidi, indirme işlemini ICAP adresi üzerinden MetaDefender Aether’e iletir ve kötü niyetli bir pickle dosyası, uç noktaya ulaşamadan engellenir.
- E-posta. Ek olarak paylaşılan model dosyaları ve yapay zeka araçları, diğer tüm ekler ile aynı iş akışı üzerinden ayıklanır ve analiz edilir; böylece kayıt defteri düzeyindeki denetimleri atlatmaya yönelik sosyal mühendislik yöntemlerinin önü kesilir.
- Dosya aktarımları. İş ortakları ve tedarikçilerle paylaşılan ya da yönetilen dosya aktarımı yoluyla şirket içi bölgeler arasında taşınan modeller, aktarım sırasında taranır; böylece, kamuya açık bir hub’a hiç ulaşmayan dosyalar için bile güven sınırı korunur.
- Otomatikleştirilmiş iş akışları ve kayıt defterleri. Modelleri programlı olarak alan ve bunları API üzerinden gönderen derleme işleri ve makine öğrenimi platformları oluşturun; böylece herhangi bir şey dahili bir kayıt defterine aktarılmadan önce, Alibaba PyPI paketlerinin istismar ettiği tam yolu kapatmış olursunuz. Bu yolla, bağımlılık çözümleme işlemi indirmeyi gerçekleştirir ve kimse şüphe uyandıracak bir dosyayı görmez.
Her rota aynı denetim akışını ve karar mantığını kullanır; böylece saldırganların istismar edebileceği izlenmeyen hiçbir kanal kalmaz.
Geliştiricilerin Hızını Düşürmeden Güvenlik
Güvenlik ekipleri, genel erişimli hub’lardan indirmeyi yasaklamanın pratik olmaması nedeniyle model riskini genellikle yönetimsiz bırakır. MetaDefender Aether, geliştiricilerin mevcut iş akışlarını sürdürmelerine olanak tanırken, iş akışı modelleri emülasyon hızında anında tarar. Engellenen indirmeler, kararın gerekçesini açıklayan bir kanıt raporu içerir.
MetaDefender ’ın Aether’ı, LLM model dosyalarının güven sınırınızı aşmadan önce nasıl incelediğini öğrenin.
Sıkça Sorulan Sorular
LLM modeli güvenliği nedir?
LLM modeli güvenliği, önceden eğitilmiş yapay zeka modeli dosyalarının bir ortama yüklenmeden önce gömülü kötü amaçlı kodlar açısından incelenmesi uygulamasıdır. Bu yaklaşım, halka açık platformlardan indirilen modelleri, pasif veriler olarak değil, bir güven sınırını aşan çalıştırılabilir yazılımlar olarak ele alır.
Pickle dosyaları yapay zeka modelleri için neden tehlikelidir?
Bir sanal makine, dosya yüklenirken pickle dosyasının komut akışını yürütür. REDUCE komutu, bir saldırganın bu süreç sırasında rastgele işlevleri çağırmasına olanak tanır; dolayısıyla pickle tabanlı bir modelin yüklenmesi, herhangi bir uyarı olmaksızın saldırganın kontrolündeki kodun çalıştırılmasına yol açabilir.
Safetensors nedir ve pickle'dan ne farkı vardır?
Safetensors, model ağırlıklarını depolamak için kullanılan, yalnızca veri içeren bir dosya formatıdır; bir meta veri başlığı ve ham tensör baytları içerir; yürütme motoru yoktur ve pickle'ın REDUCE komutuna eşdeğer bir öğe barındırmaz. Bir pickle dosyası, yükleyicinin çalıştırdığı bir program iken, bir Safetensors dosyası ise yükleyicinin okuduğu pasif verilerdir.
Bir Safetensors dosyası yine de zararlı olabilir mi?
Bir Safetensors dosyası, yüklendiğinde kod çalıştıramaz; çünkü bu formatta kod çalıştırma yolu bulunmamaktadır. Ancak, bir depo, güvenli Safetensors ağırlıklarının yanı sıra eski tip pickle tabanlı bir dosya da içerebileceğinden, deponun tamamının yine de incelenmesi gerekir.
MetaDefender 'in Aether'i, kötü amaçlı LLM modellerini nasıl tespit eder?
MetaDefender Aether, model dosyalarını beş aşamada inceler: tehdit itibar değerlendirmesi, statik analiz, dinamik analiz, tehdit puanlaması ve tehdit avcılığı. Çoğu dosyayı, daha derin ve daha maliyetli aşamalara ulaşmadan durdurur ve geleneksel tek katmanlı tarayıcıları geçen yığılmış pickle yüklerini tespit edebilir.
Her Model, Güven Sınırınızı Aşmadan Önce İncelenmelidir
Ekipler artık yeniden kullanılan, önceden eğitilmiş modellere güveniyor; ancak halka açık bir kaynaktan yapılan her indirme işlemi aynı soruyu gündeme getiriyor: Dosya sadece veri mi içeriyor, yoksa kod çalıştırabiliyor mu? MetaDefender Aether, model yüklenmeden önce bu soruyu yanıtlayarak web indirmelerine, e-postalara, dosya aktarımlarına ve otomatik iş akışlarına beş aşamalı bir analiz uyguluyor.
