Forschung & CortexRouter
Meine Arbeit verbindet manuelle Quellcode- und Binärprüfungen mit deterministischer statischer Analyse und CortexRouter — unserem lokalen Modell zur Zero-Day-Schwachstellenerkennung.
CortexRouter Zero 1.0 — 119B MoE Modell zur Zero-Day-Erkennung
Trainiert auf Basis von Mistral Small 4 (119 Mrd. Gesamtparameter, hybride Mixture-of-Experts-Architektur mit 128 Experten, 256K Kontextfenster) analysiert CortexRouter Zero 1.0 komplette Codebasen, ASTs und Protokoll-Zustandsautomaten mehrstufig auf Authentifizierungs-Bypässe, Kryptografiefehler und Speichersicherheitslücken.
CortexRouter Judge v1 (Apache-2.0 · Open Weights)
Quelloffenes Qwen3-8B-LoRA-Modell zur strukturierten Verifikation von Schwachstellenbelegen in 9 Feldern (Bestätigt / Gepatcht / Fehlalarm) mit 80/80 (100 %) Genauigkeit auf unserem öffentlichen 20-CVE-Holdout-Benchmark.
1. Authentifizierung, Parser & Zustandsautomaten
Untersuchung von Vertrauensgrenzen in Web-Backends, Reverse-Proxys und Parsern auf Zustandskonflikte und Rechteausweitungen.
2. CortexRouter-Training & Variantenanalyse
Lokales Training und Skalierung von CortexRouter zur Zero-Day-Mustererkennung in großen Open-Source-Codebasen ohne Datenabfluss an externe Dienste.
3. Speichersichere Prüfwerkzeuge
Entwicklung abhängigkeitsfreier Analysewerkzeuge in Rust und Go mit Fokus auf Reproduzierbarkeit und Isolation.
Koordinierte Meldungen & Fallstudien
Mit CortexRouter entdeckte Zero-Day-Schwachstellen werden Herstellern unentgeltlich im Rahmen unserer 90-Tage-Richtlinie gemeldet und nach Patch-Freigabe als HTR-Advisories dokumentiert.