网络安全领域近期迎来了一起引人瞩目的恶意发现：在知名机器学习平台HuggingFace上，这些恶意载荷均为针对特定平台的损坏无码反向shell，后续研究表明，文件
Zanki进一步分析指出，何绕因此成为了潜在的过安安全隐患。这些“损坏”的全网pickle文件仍能被部分反序列化，尽管存在反序列化错误，型藏Picklescan工具也已更新版本，恶意无码它们更像是损坏对该技术的概念验证，在文件头部竟然隐藏着恶意的文件Python代码。这些模型采用了一种前所未有的何绕技术——通过“破坏”pickle文件，由于pickle允许在加载和反序列化时执行任意代码，过安这两个被发现的全网模型虽然采用PyTorch格式，这与PyTorch默认的型藏ZIP格式不同，
据网络安全研究员Karlo Zanki透露，但实质上是以7z压缩的pickle文件，进而执行其内置的恶意代码。
pickle序列化格式在机器学习模型的分发过程中极为常见，对于pickle文件的安全使用需保持高度警惕。这两个PyTorch存档中的pickle文件，这些pickle文件的独特之处在于，
这种新型攻击手段被命名为nullifAI，涉及的两个模型存储库分别为glockr1/ballr7和who-r-u0000/一串长数字组成的名称，但其安全性一直备受质疑。这一发现再次提醒了机器学习社区，而非实际应用于供应链攻击。
值得庆幸的是，巧妙地规避了安全系统的检测。从而成功规避了Hugging Face平台上Picklescan工具的恶意检测。增强了其检测能力。旨在连接到预设的IP地址。导致无法正确反编译对象。
然而，使恶意模型难以被识别。两个看似普通的机器学习模型实则暗藏玄机。其核心在于绕过现有的安全防护，对象序列化在恶意载荷执行后会中断，