Привет, друзья! Сегодня хочу поговорить об одной из самых обсуждаемых тем последних лет — использовании AI в пентесте. За последние два года вокруг LLM сформировалось два противоположных лагеря. Первые уверены, что искусственный интеллект скоро заменит специалистов по информационной безопасности. Вторые считают, что ChatGPT способен только красиво писать тексты и не имеет практической ценности для offensive security. На мой взгляд, правда находится где-то посередине.
ИИ пока не способен самостоятельно провести полноценный аудит безопасности и взять на себя ответственность за найденные уязвимости. Но он уже отлично справляется с ролью очень быстрого младшего специалиста. Именно поэтому я начал использовать AI в bug bounty и тестированиях на проникновение.
Почему обычные LLM плохо подходят для пентеста?
Когда большинство специалистов слышат про AI в кибербезопасности, они представляют примерно такой сценарий:
— Найди мне уязвимости на сайте.
И ждут что бот сделает все за них, но это не совсем так. Проблема заключается не в самой модели, а в отсутствие инструментов и жесткой цензуре. Она умеет рассуждать, но не умеет взаимодействовать с инфраструктурой. Именно поэтому появились MCP.
Что такое MCP?
Model Context Protocol (MCP) можно представить как мост между языковой моделью и внешними инструментами. Если раньше AI был ограничен своим контекстным окном, то теперь он может получать доступ к:
терминалу;
файловой системе;
браузеру;
специализированным инструментам безопасности;
собственным агентам.
Фактически LLM превращается из чат-бота в оператора инфраструктуры.
Сейчас для некоторых задач я использую связку:
OpenCode;
MCP Server;
HexStrike AI.
HexStrike представляет собой MCP-сервер, который позволяет подключать LLM к большому набору инструментов offensive security. Согласно описанию проекта, он поддерживает более 150 инструментов безопасности и набор специализированных агентов для различных задач: рекогносцировки, bug bounty, анализа CVE и автоматизации тестирования.
Установка подразумевает создание виртуального окружения в которое загружается requirements.
Далее:
Запускаем server.
Запуск mcp:
И теперь переходим в opencode и видим, что наш mcp настроен и готов к работе:
Используя /agent мы можем сменить агента:
Используя /models можно выбрать любую из предложенных LLM, в том числе бесплатных:
Теперь мы полностью готовы к работе.
Проверим работу.
Сделаем такой промпт:
Используй nmap и покажи какие службы работают на 80 и 25 порту. Попробуй узнать их версию и покажи результаты в таблице.
В opencode видим, как модель начинает думать, после чего выполняет именно то, что мы попросили:
Теперь посмотрим что в этот момент происходит на сервере.
Видим, как сервер инициирует запуск nmap -sV scanme.nmap.org -p 80,25:
Если раньше процесс выглядел примерно так:
Запустить subfinder,
Запустить amass,
Очистить результаты,
Прогнать httpx,
Проверить технологии,
Собрать потенциальные точки входа,
Прогнать nuclei,
Проанализировать результаты.
Сам по себе процесс несложный, но он требует постоянного переключения контекста.
Теперь я формулирую задачу:
Проведи первичную разведку домена. Найди поддомены, собери активные хосты, определи используемые технологии и покажи потенциально интересные точки для дальнейшего исследования.
После этого агент самостоятельно начинает строить цепочку действий. Он запускает инструменты, анализирует результаты и принимает решения о следующих шагах.
Важно понимать:
AI не находит уязвимость магическим образом.
Он автоматизирует рутинную работу, которая раньше занимала часы
Где AI действительно помогает?
После нескольких месяцев использования я заметил четыре области, где эффект оказался максимальным.
1. Рекогносцировка
Наиболее очевидный сценарий. Сбор информации — идеальная задача для автоматизации.
ИИ способен:
объединять результаты разных инструментов;
фильтровать шум;
искать закономерности;
выделять наиболее интересные находки.
2. Анализ больших объёмов данных
Любой bug bounty-хантер знает боль после очередного массового сканирования — cотни URL, тысячи ответов, десятки потенциальных находок.
AI отлично помогает разбирать подобные массивы данных и быстро выделять то, что действительно заслуживает внимания.
3. Генерация гипотез
Одна из самых недооценённых возможностей. Иногда после нескольких часов исследования взгляд начинает замыливаться. Теперь одним запросом мы можем автоматизировать этот процесс:
Какие ещё потенциальные векторы атаки ты видишь исходя из найденных данных?
И периодически появляются очень интересные направления для исследования.
4. Подготовка отчётов
Любой пентестер любит искать уязвимости. Немногие любят оформлять отчёты.
LLM отлично справляются с:
описанием уязвимостей;
формированием impact`а;
подготовкой рекомендаций;
структурированием доказательной базы.
Это не заменяет ручную проверку, но значительно ускоряет процесс.
Где AI пока проигрывает человеку?
После всего вышесказанного может показаться, что будущее уже наступило. На практике это не так. Я сталкиваюсь с ситуациями, когда модель, делает неверные выводы, путает контекст, переоценивает критичность находок, пытается увидеть уязвимость там, где её нет. Поэтому главный вывод очень простой — сегодня AI не заменяет пентестера, он усиливает его.
Реальный кейс № 1
Используя hexstrike, мне удалось обнаружить blind SQLi. В качестве проверки способностей агента я попросил провести раскрутку до RCE и создать скрытый бэкдор (разумеется с разрешения владельца), с чем он успешно справился и предоставил доступ через веб-шелл.
Реальный кейс № 2
Проводя пентест, была найдена кастомная admin-панель. Я попросил агента проверить формы ввода логина и пароля на все виды инъекций. В итоге была найдена sqli. После чего я подтвердил уязвимость и попросил агента вручную без sqlmap получить полный дамп БД. Он справился с этим вручную и сохранил весь дамп в отдельный файл.
Также не будем забывать, что ИИ может не только ломать, но и строить. В opencode также есть агент build, который может помочь в настройке любого инструмента, написании скриптов, если постараться, и эксплоитов.
Что будет дальше?
Сегодня мы рассмотрели использование AI со стороны атакующей команды, но не будем забывать, что AI столь же эффективен и для синей команды. Ближайшее будущее, которое нас ждет — это битва AI против AI.
А наша задача быть готовым и начать изучение и внедрение AI в свои процессы прямо сейчас. Потому что, когда нейрохакер придет к вам с мечом, а вы вооружитесь дубинкой, исход очевиден. И вопрос уже не в том, будет ли AI использоваться в offensive security.
Вопрос в том, насколько эффективно мы научимся работать вместе с ним. А вы уже используете AI в своей практике пентеста или bug bounty?