基于检索增强生成的智能渗透测试方法研究

信息安全研究 ›› 2024, Vol. 10 ›› Issue (E2): 32-.

• 第39次全国计算机安全学术交流会入选论文 • 上一篇下一篇

基于检索增强生成的智能渗透测试方法研究

高康汤博文金建栋赖清楠周昌令

(北京大学计算机学院北京100871)

出版日期:2024-11-22 发布日期:2024-11-23
通讯作者: 高康硕士研究生.主要研究方向为计算机网络及应用. csgk@stu.pku.edu.cn
作者简介:高康硕士研究生.主要研究方向为计算机网络及应用. csgk@stu.pku.edu.cn 汤博文硕士研究生.主要研究方向为计算机网络及应用. tbw@pku.edu.cn 金建栋硕士，工程师.主要研究方向为计算机网络及应用. jjd@pku.edu.cn 赖清楠硕士，工程师.主要研究方向为计算机网络及应用. laiqn@pku.edu.cn 周昌令博士，高级工程师.主要研究方向为计算机网络及应用. zclfly@pku.edu.cn

Online:2024-11-22 Published:2024-11-23

摘要/Abstract

摘要： 传统的渗透测试方法依赖手动操作，存在效率和准确性的局限.本研究融合了大语言模型和检索增强生成技术，提出了一种智能渗透测试方法.方法利用进化算法收集的数据集进行微调，构建了SecLLM模型；通过整合多源异构数据，构建了检索增强型知识库；在此基础上采用ReAct范式，设计了渗透测试智能体框架，使渗透测试任务能够独立执行.实验结果表明，该方法提高了渗透测试的自动化和智能化水平，为自动化渗透测试的未来探索开辟新的视角.

关键词: 渗透测试, 大语言模型, 检索增强生成, 知识库, 智能体

中图分类号:

TP393.08

高康, 汤博文, 金建栋, 赖清楠, 周昌令, . 基于检索增强生成的智能渗透测试方法研究[J]. 信息安全研究, 2024, 10(E2): 32-.

参考文献

［1］中国信息安全测评中心. 2022年度网络安全漏洞态势报告［EBOL］. (20230719) ［20240410］. https:www.cnnvd.org.cnhomenetSecurity［2］国家计算机病毒应急处理中心. 西北工业大学遭美国NSA网络攻击事件调查报告(之二)［EBOL］. (20220927) ［20240423］. https:www.cverc.org.cnheadzhaiyaonews20220927NPU2.htm［3］Happe A, Cito J. Getting pwn’d by AI: Penetration Testing with Large Language Models［C］ Proc of the 31st ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering. San Francisco CA USA: ACM, 2023: 20822086［4］高亚楠. 大模型技术的网络安全治理和应对研究［J］. 信息安全研究, 2023, 9(6): 551556［5］Bakhshandeh A, Keramatfar A, Norouzi A, et al. Using chatgpt as a static application security testing tool［J］. arXiv preprint, arXiv:2308.14434, 2023［6］Ferrag M A, Battah A, Tihanyi N, et al. SecureFalcon: Are We There Yet in Automated Software Vulnerability Detection with LLMs?［DBOL］. ［20240604］. http:arxiv.orgabs2307.06616［7］刘宝旭, 李昊, 孙钰杰, 等. 智能化漏洞挖掘与网络空间威胁发现综述［J］. 信息安全研究, 2023, 9(10): 932939［8］Deng G, Liu Y, MayoralVilches V, et al. PentestGPT: An llmempowered automatic penetration testing tool［J］. arXiv preprint, arXiv:2308.06782, 2023［9］Xu C, Sun Q, Zheng K, et al. Wizardlm: Empowering large language models to follow complex instructions［J］. arXiv preprint, arXiv:2304.12244, 2023［10］Hu E J, Shen Y, Wallis P, et al. Lora: Lowrank adaptation of large language models［J］. arXiv preprint, arXiv:2106.09685, 2021［11］Patil S G, Zhang T, Wang X, et al. Gorilla: Large language model connected with massive apis［J］. arXiv preprint, arXiv:2305.15334, 2023［12］Yao S, Zhao J, Yu D, et al. React: Synergizing reasoning and acting in language models［J］. arXiv preprint, arXiv:2210.03629, 2022

[1]	范敏, 李艳霞, 胡星高, 曾助予, 陈亘, 卞超轶, 郭春梅, . 基于大语言模型的Bash命令注入攻击检测系统研究[J]. 信息安全研究, 2024, 10(E2): 27-.
[2]	陈继智, 万朝华, 张斯威, . 基于大语言模型的零样本安全知识抽取方法[J]. 信息安全研究, 2024, 10(E2): 59-.
[3]	谢炜, 黄建业, 程斌, 张新华, 肖倩, 李扬笛, 钱健, 林爽, . 基于大语言模型的知识图谱复杂逻辑推理方法[J]. 信息安全研究, 2024, 10(E2): 173-.
[4]	潘琪亮, 李明, 皮振中, 黄利文, 方中奎, . 基于DeepSpeed框架构建信息安全领域通用人工智能模型的探索[J]. 信息安全研究, 2024, 10(E1): 155-.
[5]	刘楠, 陶源, 陈广勇, . 大语言模型在网络安全领域的应用[J]. 信息安全研究, 2024, 10(E1): 236-.
[6]	吴佩泽, 李光辉, 吴津宇, . 基于大语言模型的自动化漏洞验证代码生成方法研究[J]. 信息安全研究, 2024, 10(E1): 246-.
[7]	吴佩泽, 李光辉, 吴津宇, . 基于大语言模型的电力监控系统资产脆弱性管理技术研究[J]. 信息安全研究, 2024, 10(E1): 241-.
[8]	黄振, 单文政, 郭芙蓉, 郑剑波, 陈晏鹏, . 可信大模型政务问答系统设计与实现[J]. 信息安全研究, 2024, 10(E1): 191-.
[9]	聂万泉, . 大语言模型插件安全性研究[J]. 信息安全研究, 2024, 10(E1): 196-.
[10]	姬旭, 张健毅, 赵张驰, 周子寅, 李毅龙, . 一种面向特殊领域隐语的大语言模型检测系统[J]. 信息安全研究, 2024, 10(9): 795-.
[11]	陈斌, 董平, 谢晓刚, 宋涤非, . 5G网络安全测评技术研究与实践[J]. 信息安全研究, 2024, 10(6): 539-.
[12]	池亚平, 吴冰, 徐子涵, . 大语言模型在威胁情报生成方面的研究进展[J]. 信息安全研究, 2024, 10(11): 1028-.
[13]	于奇, 郭振, 任世轩, 薛世豪, 霍全瑞, . 智能网联汽车信息安全分析及防护策略[J]. 信息安全研究, 2023, 9(E1): 121-.
[14]	于明明, 宁玉桥, 沈诗雯, 于龙海, 吴青洋, . 汽车网络安全实践性探索与研究[J]. 信息安全研究, 2023, 9(5): 476-.
[15]	冯兆文, 马彦慧, 曹国彦, . 工业控制系统终端渗透测试应用研究[J]. 信息安全研究, 2023, 9(4): 313-.

基于检索增强生成的智能渗透测试方法研究

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics