Dokumente entschärfen: Content Disarm and Reconstruction richtig gemacht

Problem

Eine Bewerbung als PDF, eine Rechnung als Word-Datei, ein Lageplan als DWG, eine Präsentation als PowerPoint: in allen Fällen ist das Dateiformat selbst ein Container für ausführbare Inhalte. PDFs kennen JavaScript, eingebettete Formulare, Actions beim Öffnen. Office-Dokumente kennen Makros, OLE-Einbettungen (eingebettete Fremdobjekte), externe Referenzen. SVG kennt Script-Tags. Archivformate können Pfad-Traversal-Angriffe oder Zip-Bomben enthalten.

Ein Virenscanner findet bekannte Muster. Zero-Day-Malware und geschickt obfuskierte Payloads passieren täglich die Virenscanner der Welt. Der strukturelle Schutzansatz von Dernium Clean liegt daher nicht im "Erkenne das Böse", sondern im "Baue die Datei von Grund auf neu auf und verwirf alles, was nicht pure Inhaltsdarstellung ist".

Diese Klasse von Verfahren heißt Content Disarm and Reconstruction (CDR, etwa: Inhalt entwaffnen und neu aufbauen). Dernium Clean ist eine CDR-Pipeline. Die folgende Beschreibung ist unsere Sicht auf das Verfahren und die konkrete Umsetzung, die hinter clean.dernium.de läuft.

Für wen ist das? Für alle, die unsichere Dokumente gefahrlos öffnen müssen.

Kurze Antwort

CDR rettet den sichtbaren Inhalt einer Datei und wirft alles Aktive weg, indem es die Datei neu aufbaut. Kurz die Schritte:

• Eingehendes Dokument in eine abgeschirmte Umgebung ohne Netzzugang stellen.
• Es dort Seite für Seite in Pixel-Rasterbilder zerlegen.
• Aus diesen Bildern ein frisches PDF erzeugen.
• Alles, was aktiv war (Makros, JavaScript, Aktions-Trigger, Skript-Tags, OLE-Objekte, Hyperlinks, digitale Signaturen), fällt dabei weg.

Das Ergebnis enthält den visuellen Inhalt, aber keinen der Code-Pfade. Der Preis: keine Bearbeitbarkeit, keine Original-Metadaten, größere Datei.

Tiefgang

Die Dernium-Clean-Pipeline

Die Umsetzung hinter Dernium Clean besteht aus drei Schritten, die in getrennten Prozessen ablaufen. Das Prinzip: kein Schritt vertraut der Ausgabe des vorherigen Schritts als Code.

Schritt 1 Format-Normalisierung. Office-Dokumente, ODF-Dateien, SVG, nicht-bereits-PDF-Formate werden in einer gVisor-gehärteten Sandbox (gVisor: eine Schutzschicht, die das Programm vom echten Betriebssystem-Kern abschirmt) mit libreoffice --headless --convert-to pdf in ein PDF konvertiert. Der Container hat keinen Netzzugang, kein Host-Filesystem ausser dem Input-Ordner und einem getrennten Output-Ordner. Bild-Dateien (JPEG, PNG, TIFF, BMP, GIF) überspringen diesen Schritt und gehen direkt in Schritt 2.

Schritt 2 Rasterisierung. Das PDF aus Schritt 1 wird mit pdftoppm in Einzelbilder (PNG, 150 dpi) zerlegt. Ab hier gibt es zwischen "vorher" und "nachher" nur noch Pixel, keine Datenstrukturen, die ein Exploit aus Schritt 1 weitertragen könnte. Für Bild-Uploads bleibt dieser Schritt konzeptionell identisch (das Bild ist bereits Pixel), wird aber durch einen Encode-Roundtrip geschickt.

Schritt 3 Neuaufbau. Die Pixelbilder werden mit python3 -m img2pdf zu einem frischen PDF zusammengefügt. Dieses PDF wird dem Nutzer als Download geliefert. Es hat mit dem Original bis auf den sichtbaren Inhalt nichts mehr gemeinsam.

Der schnelle Modus ("Metadaten")

Nicht alle Eingaben sind verdächtig. Für Fotos und bereits als PDF vorliegende Dateien bietet Dernium Clean einen zweiten Modus, der nur Metadaten entfernt und das Originalformat bewahrt. Das ist technisch exiftool -all= auf einer Kopie der Datei; es entfernt EXIF, XMP, IPTC, ICC-Profile, Bearbeitungs-Historien und Geolokalisierungs-Tags, lässt aber die Datenstruktur der Datei unverändert.

Der Modus ist bewusst eng gezogen: nur für Fotos und PDFs. Office-Dokumente, SVG und andere Formate, die aktive Inhalte tragen können, fallen nicht in diesen Pfad. Die UI führt den Nutzer hier explizit auf den umfassenden CDR-Modus.

Was wegfällt

Nach dem umfassenden CDR-Durchlauf sind alle der folgenden Punkte sicher entfernt, unabhängig vom Eingangsformat:

• PDF-JavaScript, Actions, Formulare, eingebettete Dateien, externe Referenzen
• Office-Makros (VBA, Office Scripts), OLE-Objekte, eingebettete Dokumente, externe Datenverbindungen
• SVG-Script-Tags, externe Ressourcen-Referenzen
• EXIF-, XMP-, IPTC-Metadaten und ICC-Profile
• Alle digitalen Signaturen des Originals (lassen sich nicht rekonstruieren, weil die Datei strukturell eine andere ist)

Was bleibt

• Der visuelle Inhalt, als Pixel gerendert
• Die Seitenanzahl und Seitenreihenfolge

Die ehrlichen Grenzen

Dateigröße. Ein gerendertes PDF ist typischerweise drei- bis zehnmal größer als das Original.

Durchlaufzeit. Eine typische einseitige PDF-Datei braucht ein bis zwei Sekunden auf normaler CPU; eine vierzigseitige PowerPoint mit Bildern kann Minuten brauchen.

Nicht unterstützte Formate. Archive (ZIP, RAR, 7z), Videos, ausführbare Dateien. Clean entschärft diese Formate nicht. Für Archive ist eine rekursive Pipeline denkbar, aber derzeit nicht implementiert.

Verlust der Edit-Fähigkeit. Ein entschärftes Dokument ist ein Pixel-PDF, kein editierbares Office-File. Empfänger, die weiterbearbeiten müssen, brauchen das Original oder einen anderen Workflow.

Formulare und interaktive Elemente. Hyperlinks, ausfüllbare Formularfelder, Dropdown-Listen: alles weg. Für viele Workflows ist das ein echtes Minus.

Wann CDR nicht reicht

• Wenn der Hash des Originals zählt (Signatur-Prüfung, Bit-genauer Archivbeweis).
• Wenn der Empfänger bearbeiten muss.
• Bei Formaten, die die aktuelle Pipeline nicht beherrscht (RAW-Bilder, CAD-Dateien, Spezial-Container).
• Wenn Metadaten für die Beweisführung relevant sind.

In diesen Fällen ist die Alternative eine isolierte Umgebung (Dernium Desk): das Original wird nicht entschärft, sondern nur in einer Sandbox geöffnet und dort bearbeitet, ohne dass es das lokale System je berührt.

Abgelehnte Alternativen und Mythen

"Virenscanner reicht." Virenscanner erkennen Signatur-bekannte Muster. Zero-Day-Malware ist konstruiert, um nicht in diesen Signaturen zu stehen. Ein Blick auf AV-Comparatives zeigt: selbst gute Scanner liegen bei brandneuen Samples oft nur im Erkennungsbereich von 40 bis 70 Prozent. Virenscan und CDR sind ergänzend, nicht austauschbar.

"VirusTotal.com als Service." VirusTotal ist für Malware-Forschung wertvoll, aber für Business-Workflows ungeeignet: jede hochgeladene Datei geht an US-Dienste und angeschlossene Forschungslabore. Für Dokumente mit Geschäftsinhalten ein Datenschutz-Problem, das die meisten Organisationen sich auch rechtlich nicht leisten sollten.

"Commercial Sanitization Gateways." Produkte wie Glasswall, Votiro, OPSWAT Deep CDR bieten kommerzielles CDR. Gut integriert, aber Closed Source, eher teuer und oft mit Cloud-Rückgriffen. Wer unbekannte Binärlogik auf sensiblen Dokumenten laufen lassen muss, sollte das abwägen.

"Dangerzone statt Eigenbau." Dangerzone der Freedom of the Press Foundation ist die bekannteste freie CDR-Lösung und ein wesentlicher konzeptioneller Impuls für dieses Themenfeld. Unterschiede zu Dernium Clean: Dangerzone ist ein Desktop-Werkzeug (Python-GUI plus Container-Sandbox) für Einzelnutzer-Rechner; Dernium Clean ist ein server-seitiger Dienst mit eigener Quota, Audit-Spur und Mandanten-Trennung. Beide folgen demselben CDR-Prinzip, sind aber verschiedene Produkte für verschiedene Betriebsmodelle.

Was Sie jetzt tun sollten

1. Klären Sie pro Dokumenttyp, ob der Empfänger den Inhalt nur ansehen oder ihn weiterbearbeiten muss - nur im ersten Fall ist CDR der passende Weg.
2. Setzen Sie CDR gezielt dort ein, wo Dateien von außen kommen und niemand sie kennt (Bewerbungen, eingehende Rechnungen, Anhänge von Unbekannten).
3. Wählen Sie für reine Fotos und bereits saubere PDFs den schnellen Metadaten-Modus, um Geolokalisierung und Bearbeitungsspuren zu entfernen, ohne unnötig Qualität und Größe zu opfern.
4. Behalten Sie das Original sicher, wenn Hash, Signatur oder Metadaten später als Beweis gebraucht werden - CDR ist dann nicht der richtige Schritt.
5. Für Archive und Spezialformate, die CDR nicht beherrscht, entpacken oder konvertieren Sie vorab oder öffnen Sie das Original in einer isolierten Umgebung.

Wie Dernium hier hilft

Dernium Clean ist der Produkt-Pfad für genau diese CDR-Pipeline: eingehende Dokumente (per Upload, perspektivisch auch per E-Mail-Weiterleitung) werden in isolierten gVisor-Sandboxen geöffnet, in Pixel zerlegt und zu einem frischen PDF zusammengebaut. Der schnelle Metadaten-Modus bleibt für Fotos und bereits bereinigte PDFs erhalten. Die hier genannten Grenzen (Dateigröße, verlorene Signaturen, Verlust der Edit-Fähigkeit) bleiben im Produkt-Pfad bestehen und werden in der UI ehrlich kommuniziert.

Offene Punkte

Rekursives Entschärfen. Ein PDF-in-ZIP-in-RAR braucht mehrere CDR-Durchläufe. Die aktuelle Pipeline entpackt nicht rekursiv. Archive werden beim Upload abgelehnt; wer damit arbeitet, muss vor dem Upload selbst entpacken.

Durchsatz. Die Zwei-Schritte-Pipeline ist rechenintensiv. Für Organisationen mit hohem Volumen ist Orchestrierung über Worker-Pool Pflicht; in der Single-Node-Konfiguration reicht die aktuelle Queue für Einzelarbeitsplätze.

Häufige Fragen

Was ist der Unterschied zwischen einem Virenscanner und CDR?

Ein Virenscanner sucht nach bekannten Schadmustern und lässt durch, was er nicht kennt - neue oder gut versteckte Schadsoftware rutscht durch. CDR fragt gar nicht "ist das böse?", sondern baut die Datei neu auf und verwirft jeden aktiven Bestandteil unabhängig davon, ob er bösartig ist. Beide ergänzen sich: Der Scanner gibt schnell Auskunft über Bekanntes, CDR neutralisiert auch das Unbekannte.

Verändert CDR den Inhalt meines Dokuments?

Der sichtbare Inhalt bleibt erhalten, weil er als Pixelbild Seite für Seite übernommen wird. Verloren gehen aber alle nicht-sichtbaren und interaktiven Bestandteile: Hyperlinks, ausfüllbare Felder, Makros, eingebettete Objekte, digitale Signaturen und Metadaten. Außerdem ist das Ergebnis ein Bild-PDF, das sich nicht mehr wie ein Word-Dokument bearbeiten lässt.

Warum sind manche Dateien nach der Entschärfung deutlich größer?

Weil das Ergebnis aus Rasterbildern besteht statt aus Text und Vektorgrafiken. Pixelbilder brauchen mehr Speicher als die kompakte interne Darstellung des Originals. Typisch ist das Drei- bis Zehnfache der Ausgangsgröße. Das ist der bewusste Preis dafür, dass keine Datenstruktur des Originals übernommen wird.

Kann ich ZIP-Archive oder ausführbare Dateien entschärfen lassen?

Nein. Die aktuelle Pipeline lehnt Archive (ZIP, RAR, 7z), Videos und ausführbare Dateien beim Upload ab, weil sie kein Pixel-Inhalt sind und ein Archiv mehrere verschachtelte Durchläufe bräuchte. Wer mit Archiven arbeitet, muss sie vor dem Upload selbst entpacken und die enthaltenen Dokumente einzeln durch CDR schicken.

Wann sollte ich das Original behalten statt es zu entschärfen?

Immer dann, wenn die Datei später als Beweis dienen soll - etwa wenn der exakte Hash, eine digitale Signatur oder die Original-Metadaten zählen. CDR verändert die Datei strukturell und macht solche Nachweise unmöglich. In diesen Fällen ist es besser, das Original sicher zu verwahren und es bei Bedarf nur in einer isolierten Umgebung zu öffnen.