️ Vulnhuntr：利用大型语言模型（LLM）进行零样本漏洞发现的工具

在网络安全领域，漏洞的发现和修复是保护系统安全的关键。今天，我要向大家介绍一款创新的工具——Vulnhuntr，这是一款利用大型语言模型（LLM）进行零样本漏洞发现的工具，能够自动分析代码，检测远程可利用的安全漏洞。

Vulnhuntr 简介

Vulnhuntr 是世界上首款利用 LLMs 和静态代码分析来识别远程可利用漏洞的工具。它能够自动创建并分析整个代码调用链，从远程用户输入开始，到服务器输出结束，检测出复杂、多步骤、绕过安全防护的漏洞，这些漏洞的复杂性远远超出了传统静态代码分析工具的能力。

漏洞发现

使用 Vulnhuntr，你可以帮助发现漏洞并获得奖励。如果你使用 Vulnhuntr 发现了漏洞，可以向 huntr.com 提交报告以获得奖励，并且可以通过提交 PR 将其添加到下面的列表中。

支持的漏洞类型

Vulnhuntr 目前支持以下类型的漏洞检测：

• 本地文件包含 (LFI)
• 任意文件覆盖 (AFO)
• 远程代码执行 (RCE)
• 跨站脚本 (XSS)
• SQL 注入 (SQLI)
• 服务器端请求伪造 (SSRF)
• 不安全的直接对象引用 (IDOR)

安装和使用

Vulnhuntr 严格要求使用 Python 3.10，因为它使用了 Jedi 来解析 Python 代码，而 Jedi 在其他版本的 Python 中存在一些 bug。

推荐使用 pipx 或 Docker 来安装和运行 Vulnhuntr。

使用 Docker 安装：

bash

docker build -t vulnhuntr https://github.com/protectai/vulnhuntr.git#main
docker run --rm -e ANTHROPIC_API_KEY=sk-1234 -v /local/path/to/target/repo:/repo vulnhuntr:latest -r /repo -a target-file.py

使用 pipx 安装：

bash

pipx install git+https://github.com/protectai/vulnhuntr.git

或者，你可以直接从源代码使用 poetry 安装：

bash

git clone https://github.com/protectai/vulnhuntr
cd vulnhuntr && poetry install

使用命令行界面：

bash

usage: vulnhuntr.py [-h] -r ROOT [-a ANALYZE] [-l {claude,gpt}] [-v]

Analyze a GitHub project for vulnerabilities. Export your ANTHROPIC_API_KEY before running.

options:
  -h, --help            show this help message and exit
  -r ROOT, --root ROOT  Path to the root directory of the project
  -a ANALYZE, --analyze ANALYZE
                        Specific path or file within the project to analyze
  -l {claude,gpt}, --llm {claude,gpt}
                        LLM client to use (default: claude)
  -v, --verbosity       Increase output verbosity (-v for INFO, -vv for DEBUG)

例如，使用 Claude 分析整个仓库：

bash

python vulnhuntr.py -r /path/to/target/repo/

逻辑流程

Vulnhuntr 的逻辑流程包括：

1. LLM 总结 README 并将其包含在系统提示中。
2. LLM 对整个文件进行初步分析，并报告任何潜在的漏洞。
3. Vulnhuntr 为 LLM 提供针对特定漏洞的提示，进行二次分析。
4. 每次 LLM 分析代码时，它会从项目的其他文件中请求额外的上下文函数/类/变量。
5. 它继续这样做，直到完成从用户输入到服务器处理的整个调用链，然后给出最终分析。
6. 最终分析包括其推理、概念验证漏洞利用和置信度分数。

输出

Vulnhuntr 会生成一个详细的报告，描述分析文件中发现的漏洞。报告包括：

• 每个文件的初始评估结果。
• 带有上下文函数和类引用的二次评估结果。
• 发现的漏洞的置信度分数。
• 分析过程的日志。
• 概念验证漏洞利用。

注意事项

使用 Vulnhuntr 时，请注意设置 LLM 提供商的消费限额或密切监控成本，因为这个工具可能会产生高额费用，因为它会尽可能多地将代码放入 LLMs 的上下文窗口中。

我们推荐使用 Claude 作为 LLM。通过测试，我们发现它比 GPT 更有效。

Vulnhuntr 是网络安全领域的一项重大创新，它利用了最新的人工智能技术来提高漏洞检测的效率和准确性。如果你对网络安全感兴趣，不妨试试 Vulnhuntr，它可能会成为你不可或缺的工具之一。