LLM 驱动的自动化渗透测试前沿：PentestGPT、PenHeal 与 PentestAgent

2025.12.23

LLM 赋能网络安全：自动化渗透测试的演进之路

1. 任务简介

本次汇报的主题是“大语言模型（LLM）渗透测试”。该任务旨在利用 LLM 强大的代码理解与命令生成能力，自动化执行网络安全评估中的渗透测试工作 。 工作涵盖了从利用 LLM 辅助人工测试，到构建全自动智能体进行漏洞发现、利用及修复建议生成的完整技术演进路线。

2. 研究动机

传统渗透测试高度依赖人工操作和专业知识，难以满足高效安全评估的需求 。虽然 GPT-4 等模型在阅读源码和生成命令上表现出色，但在实际渗透测试中面临三大核心挑战：

1. 上下文丢失：随着对话轮次增加，关键的早期信息容易被模型遗忘 。
2. 命令幻觉：模型倾向于生成不存在的工具参数或错误的命令，导致执行失败 。
3. 知识局限性：模型无法覆盖最新的漏洞信息，且难以掌握特定工具的复杂用法 。 此外，现有的自动化尝试往往止步于漏洞扫描，缺乏对后续修复环节的自动化决策支持 。

3. 方法设计

本次报告详细介绍了三种针对上述痛点提出的解决方案：

1）PentestGPT：解决上下文记忆的交互式系统

• 核心创新：引入了 Pentesting Task Tree (PTT)，一种树形结构来维护测试上下文，有效克服记忆丢失和注意力分散问题 。
• 模块架构：
  • 推理模块 (Reasoning)：负责任务树的生成、验证、更新及优先级排序，模拟人类专家的决策过程 。
  • 生成模块 (Generation)：利用思维链 (CoT) 将子任务转化为具体的终端命令 。
  • 解析模块 (Parsing)：对 Nmap 等工具的冗长输出进行摘要压缩，提取关键信息供 LLM 理解 。

2）PenHeal：渗透与修复的自动化闭环

• 核心理念：不仅关注攻击，还关注修复，并在预算约束下提供最优修复策略 。
• 两阶段设计：
  • 渗透模块：引入“反事实提示” (Counterfactual Prompt) 驱动 Planner 更新攻击路径，当一个漏洞被利用后，假装其不存在以探索新路径 。
  • 修复模块：结合 CVSS 评分与用户预算，利用分组背包算法计算性价比最高的修复方案组合 。

3）PentestAgent：多智能体协作与 RAG 增强

• 架构升级：在 PentestGPT 基础上减少人工干预，设计了四个专用智能体协作：侦察、搜索、规划、执行 。

• 技术亮点：

  • RAG (检索增强生成)：实时从外部知识库检索漏洞报告 (CVE) 和工具用法，显著减少幻觉 。
  • 过程级知识库：搜索代理建立分层的攻击知识库，涵盖从粗粒度攻击面到具体利用步骤的信息 。

4. 实施细节

系统实现：

• PentestGPT：包含 1900 行 Python 代码，支持与 GPT-3.5 和 GPT-4 集成，通过自然语言与用户交互 。
• PenHeal：利用 LangChain-RAG 实现 Instructor，Planner/Executor 使用 GPT-4，而摘要与提取使用 GPT-3.5 以平衡成本 。
• PentestAgent：构建了特定的 Recon Loop（侦察循环）和 Exploit Loop（利用循环），并引入自我反思机制记录错误历史以避免重复错误 。

基准测试构建：

• PentestPerf：PentestGPT 作者构建的基准，包含 13 台靶机和 182 个子任务，涵盖 OWASP Top 10 漏洞 。
• VulHub 数据集：PentestAgent 选择了 67 个目标，涵盖 32 种 CWE 类别，分为简单、中等和困难三个等级 。

5. 实验与结论

1）PentestGPT 表现

• 在基准测试中，PentestGPT-GPT-4 相比原生 GPT-4 完成了更多子任务（57 vs 27），增幅达 111%。
• 策略上，它能像人类专家一样在 FTP 和 Web 服务间建立联系，成功切换攻击路径。
• 实战中，在 HackTheBox 平台上以 131.5 美元成本完成了 50% 的选定目标。

2）PenHeal 表现

• 检测覆盖率：得分 5.67，比 GPT-4 高 31%。
• 修复有效性：得分 7.6，比 PentestGPT 高 32%。
• 综合得分：9.87，显著优于对比基线，且修复建议成本比 GPT-4 低 46%。

3）PentestAgent 表现

• 成功率：在 VulHub 基准上，GPT-4 驱动的 PentestAgent 总体成功率达 74.2%。
• 效率对比：在 HackTheBox 测试中，情报收集仅耗时 220秒（PentestGPT 需 1199秒），漏洞利用耗时 172秒（PentestGPT 需 364秒），证明了全自动化流程的高效性。

未来展望： 未来的研究将聚焦于优化上下文结构以处理非线性攻击路径 ，利用 LLM 优化指纹识别等微观任务 ，以及设计模拟人类红队的多智能体协同架构 。 本次组会内容下载链接

返回