Zero-Breach-Toolkit

离线自查设备是否留有已知间谍软件痕迹

开源 🏷️完全免费 🔧 仅开源项目,无在线服务,需自行部署 评测安全 🍴 复刻 254 🐛 待处理 3 👀 关注 30
GitHub ↗
GitHub 星标 ★ 2336
维护状态 活跃
是否开源 开源
定价模式 🏷️完全免费 开源免费

项目预览

Zero-Breach-Toolkit 项目界面预览图
图片来源:GitHub 官方仓库名片

项目数据

分类评测安全
开发团队interplains
定价模式🏷️完全免费
价格说明开源免费
访问状态🔧 仅开源项目,无在线服务,需自行部署
是否开源是
开源协议Apache-2.0
主要语言Python
GitHub 星标★ 2336
上线时间2026-10-25 00:00:00
代码更新2026-10-28
仓库体积794 KB
本站数据更新2026-10-29
维护状态活跃
收录时间2026-10-29
浏览次数0

项目介绍

Zero-Breach-Toolkit 是一款用 Python 编写的开源离线检测工具,用于在个人设备上排查已知商业雇佣间谍软件的痕迹。它面向担心手机或电脑被定向监控的普通用户、记者、活动人士及安全响应人员,解决“怀疑设备被植入间谍软件但缺乏本地取证手段”的问题。核心能力包括:在 Windows、macOS、Linux 上扫描系统文件与配置中的已知指标;对 Android 手机进行检测;解析 iPhone 备份文件并查找感染痕迹。整个检测过程离线完成,不上传数据,降低隐私泄露风险。工具以规则匹配和特征库比对为主,输出可疑项报告,便于进一步人工研判。项目星标约 2300,处于成长阶段,适合作为初步自查与安全评估的辅助工具,而非替代专业移动取证。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整

数据来源:GitHub API 逐日快照 · 收录于 2026-10-29 · 当前星标 ★ 2336

使用教程

难度:入门 约 20 分钟 部署方式:命令行工具 7 步

环境要求

  • Python 3.8 或更高版本(Windows 安装时勾选 Add python.exe to PATH)
  • Windows 或 macOS 电脑(Linux 下用 sh scan/run-scan.sh 运行)
  • 无需管理员权限,也无需安装额外 Python 包
  • 约 20 分钟时间,扫描前关闭浏览器和聊天软件

安装与启动步骤

  1. 1获取工具源码

    从 GitHub 选择 Code → Download ZIP 解压,或用 git clone 拉取仓库;后续所有命令都在该目录内执行

    git clone https://github.com/interplains/Zero-Breach-Toolkit.git
  2. 2在工具目录开终端

    Windows 打开解压出的 Zero-Breach-Toolkit 文件夹,点地址栏输入 powershell 回车;macOS 在终端输入 cd 加空格后把文件夹拖进窗口回车

    cd Zero-Breach-Toolkit
  3. 3更新指标特征库

    可选步骤,也是唯一需要联网的一步;不更新则只用内置的小型特征集,建议每隔几周重复一次

    python -X utf8 scan/zero-breach-toolkit.py --update
  4. 4授权终端磁盘访问

    仅 macOS 需要:系统设置 → 隐私与安全性 → 完全磁盘访问权限 → 添加终端并重新打开,否则部分目录会显示为未检查

  5. 5运行标准扫描

    关闭浏览器与聊天软件后执行,出现菜单直接回车即扫描本机;Windows 也可双击 scan un-scan.cmd

    python -X utf8 scan/zero-breach-toolkit.py
  6. 6扫描手机数据

    把手机采集数据或 iPhone 备份放到某个文件夹,用引号包裹路径后作为 --phone 参数传入;路径含空格必须加引号

    python -X utf8 scan/zero-breach-toolkit.py --phone "/your/path/backup"
  7. 7导出其它格式报告

    --json 输出机器可读报告,--share-json 输出便于分享的最小摘要;--quick 跳过文件指纹以加快速度

    python -X utf8 scan/zero-breach-toolkit.py --json report.json

关键配置

配置项必填说明示例
--update否下载最新指标列表,唯一联网步骤,建议定期执行python -X utf8 scan/zero-breach-toolkit.py --update
--quick否快速模式,跳过文件指纹比对,耗时更短python -X utf8 scan/zero-breach-toolkit.py --quick
--phone否指定手机采集数据或备份所在文件夹,路径用引号包裹--phone "/your/path/backup"
--json否额外输出机器可读的 JSON 报告到指定文件--json report.json
--share-json否输出仅含最小摘要的 JSON,便于对外分享--share-json summary.json

如何确认成功

扫描结束后,工具目录旁的 findings 文件夹中会生成可读报告和 JSON 报告,打开即可查看可疑项与未检查项。

常见问题

Q:需要 GitHub 账号或编程经验吗?

A:不需要。按 README 的步骤下载 ZIP 解压或克隆仓库,在文件夹内运行命令即可,全程约 20 分钟。

Q:扫描过程中会上传数据吗?

A:不会。扫描期间不发起网络请求,也不查询外部地址;只有 --update 更新指标列表这一步需要联网。

Q:macOS 报告里很多项目显示未检查?

A:通常是没给终端「完全磁盘访问权限」。到系统设置 → 隐私与安全性 → 完全磁盘访问权限添加终端,重新打开终端后再扫描。

Q:可以打包成 exe 使用吗?

A:README 不建议。自行用 PyInstaller 打包的文件未签名、不可复现,会触发 SmartScreen 警告并可能被杀软误报,直接从源码运行更稳妥。

Q:结果显示干净就代表安全吗?

A:不代表。报告会标注证据强度和未能检查的部分,干净结果不能作为设备未被入侵的证明。

注意事项

  • 报告包含本机隐私信息,请勿放在共享或云同步文件夹中。
  • 工具为只读设计,不修改原始证据和系统设置,仅写入临时数据库快照和你指定的报告。
  • 若怀疑正被定向监控,应先联系 Access Now 数字安全热线或 Amnesty Security Lab 等专业机构求助。
  • 源码运行时可复现:README 提供按发布标签重建单文件并与发布 SHA-256 比对的方法,可据此校验所运行代码。

核心亮点

  • 完全离线运行,检测数据不出本机,适合隐私敏感场景
  • 覆盖 Windows、macOS、Linux、Android 及 iPhone 备份五类目标,跨平台面广
  • 基于已知间谍软件指标做特征比对,规则透明、可审计,便于安全人员复核

不足之处

  • 仅能匹配已知特征,对新型或定制化间谍软件检出能力有限
  • 命令行工具形态,普通用户上手需要一定技术背景
  • 特征库更新依赖社区维护,时效性待观察

适用场景

  • 记者或活动人士怀疑手机被定向监控时做初步自查
  • 企业安全团队对员工设备做离线取证前的快速筛查
  • 个人在送修或转卖设备前检查是否存在已知监控软件残留

替代项目

MVT、iMazing Spyware Detector、Stalkerware Indicator Scanner

上一篇:deep-eye

下一篇:没有了!

同类项目推荐

Frontier-CS 开源

用开放式 CS 难题测出大模型的真实上限

A benchmark for evaluating LLMs on open-ended CS problems. Exploring the Next Fronti···

★ 338 2026-10-23
llm-eval 开源

一站式跑分,快速对比大模型与 RAG 效果

大语言模型评估平台,支持多种评估基准、自定义数据集和性能测试。支持基于自定义数据集的···

★ 100 2026-08-09
Tracely-ai 开源

把线上 agent 失败轨迹变成 CI 回归测试,退化就拦 PR

Trace-native CI/CD for AI agents: grade production traces, cluster failures, freeze ···

★ 1207 2026-10-22
vidore-benchmark 开源

给文档检索模型打分,看谁找图找得准

Vision Document Retrieval (ViDoRe): Benchmark. Evaluation code for the ColPali paper···

★ 278 2026-08-09
Veritensor 开源

扫描 AI 模型与数据,防投毒、防注入、防泄露

The Anti-Virus for AI Artifacts & RAG Firewall. A static analysis tool scanning Mode···

★ 88 2026-08-09
aiewf-eval 开源

专测大模型长上下文下的安全表现

A long-context eval

★ 165 2026-09-14
LLMVault 开源

在真实漏洞靶场中练手,掌握 LLM 安全攻防实战

An intentionally vulnerable OWASP LLM Top 10 training platform for AI Security, Prom···

★ 345 2026-08-09
athina-evals 开源

给 LLM 响应做质检,快速发现模型输出问题

Python SDK for running evaluations on LLM generated responses

★ 302 2026-08-09