🌐 Обзор Certainly: инструмент захвата трафика
🛠 Certainly — open-source инструмент для offensive security, разработанный для захвата трафика через различные сетевые протоколы в сценариях бит-флипа и тайпосквоттинга. Основные протоколы, поддерживаемые инструментом:
📡 DNS: Certainly действует как DNS-сервер, обрабатывая запросы и перенаправляя их на свой IP, одновременно логируя каждый запрос.
💻 HTTP(S): При обработке HTTP-запросов инструмент может подменять тело ответа, сохраняя исходные заголовки, или перенаправлять запросы на исходный домен.
📧 IMAP(S) и SMTP(S): Certainly позволяет захватывать учетные данные пользователей и сохранять передаваемые электронные письма в лог-файлы.
🔐 Одной из ключевых особенностей Certainly является возможность динамической генерации TLS-сертификатов, что особенно полезно для сценариев бит-флипа, где целевые поддомены встречаются довольно редко.
🤖 Основные возможности Certainly:
- Полная поддержка авторитетного DNS.
- Захват и логирование HTTP(S), IMAP(S), SMTP(S) трафика.
- Динамическая генерация TLS-сертификатов.
- Инъекционные шаблоны для модификации трафика.
- Поддержка уведомлений через Slack.
🎯 Инструмент находится в постоянной разработке, и будущие обновления обещают расширение поддержки протоколов, тестирование клиентских сертификатов и более сложные инъекции ресурсов.
🔗 Подробнее о проекте можно узнать на GitHub.
Stay secure and read SecureTechTalks 📚
#cybersecurity #offensivesecurity #opensource #typosquatting #DNS #TLS
🛠 Certainly — open-source инструмент для offensive security, разработанный для захвата трафика через различные сетевые протоколы в сценариях бит-флипа и тайпосквоттинга. Основные протоколы, поддерживаемые инструментом:
📡 DNS: Certainly действует как DNS-сервер, обрабатывая запросы и перенаправляя их на свой IP, одновременно логируя каждый запрос.
💻 HTTP(S): При обработке HTTP-запросов инструмент может подменять тело ответа, сохраняя исходные заголовки, или перенаправлять запросы на исходный домен.
📧 IMAP(S) и SMTP(S): Certainly позволяет захватывать учетные данные пользователей и сохранять передаваемые электронные письма в лог-файлы.
🔐 Одной из ключевых особенностей Certainly является возможность динамической генерации TLS-сертификатов, что особенно полезно для сценариев бит-флипа, где целевые поддомены встречаются довольно редко.
🤖 Основные возможности Certainly:
- Полная поддержка авторитетного DNS.
- Захват и логирование HTTP(S), IMAP(S), SMTP(S) трафика.
- Динамическая генерация TLS-сертификатов.
- Инъекционные шаблоны для модификации трафика.
- Поддержка уведомлений через Slack.
🎯 Инструмент находится в постоянной разработке, и будущие обновления обещают расширение поддержки протоколов, тестирование клиентских сертификатов и более сложные инъекции ресурсов.
🔗 Подробнее о проекте можно узнать на GitHub.
Stay secure and read SecureTechTalks 📚
#cybersecurity #offensivesecurity #opensource #typosquatting #DNS #TLS
🤖💣 [Эксперименты]: ИИ против пентестеров
Что будет, если выпустить автономный AI-агент в настоящий enterprise-контур и сравнить его с живыми профессиональными пентестерами?
Не CTF или лаборатории, а реальная прод-сеть на ~8 000 хостов.
🔬 Само исследование
Команда из Stanford и CMU впервые сравнила:
👨💻 10 опытных пентестеров
🤖 несколько автономных AI-агентов
🏫 живую университетскую инфраструктуру
- 12 подсетей, VPN, Kerberos
- Linux, Windows, IoT, embedded
- IDS, EDR, патчи, реальные пользователи
Результаты фиксировались, проверялись и реально закрывались IT-службой.
🧠 ARTEMIS не «LLM с nmap»
В качестве агента использовался ARTEMIS: мультиагентный red-team-фреймворк.
Он состоит из:
🧑✈️ supervisor-агента (планирует атаку)
🐝 роя субагентов (работают параллельно)
🧪 триаж-модуля (проверка и классификация багов)
🧠 долгоживущей памяти и динамических промптов
Важно: ARTEMIS лишь организует работу моделей.
📊 Результат
ARTEMIS:
🥈 2-е место в общем рейтинге
🚨 обогнал 9 из 10 живых пентестеров
🔍 нашёл 9 валидных уязвимостей
✅ 82% находок реальные баги
Другие агенты (Codex, CyAgent, MAPTA) либо показали слабый результат, либо вообще не справились.
👉 Выиграла не модель.
👉 Выиграла архитектура агента.
⚔️ Люди vs ИИ: в чём разница
👨💻 Люди
- сильны в GUI и браузерах
- полагаются на опыт и «чутьё»
- не умеют атаковать параллельно
🤖 ARTEMIS
- атакует десятки целей одновременно
- не устаёт и не забывает
- уверенно работает в CLI
Забавный момент:
люди не смогли открыть старый iDRAC из-за TLS, а ARTEMIS просто использовал curl -k и получил доступ.
⚠️ Ограничения ИИ
- больше false positive
- плохо работает с GUI
- иногда «рано сдаёт работу», не докручивая цепочку до RCE
Однако кажется, что временные проблемы агентов.
💰 Самая неприятная часть
👨💻 пентестер в США: ~$125 000/год
🤖 ARTEMIS (GPT-5):$18/час ($37 000/год)
ИИ уже сейчас в 3–4 раза дешевле человека.
🧠 Главный вывод
А значит, такие агенты будут у атакующих. Защитникам нужно учиться думать как AI-red team.
🔗 Исходники ARTEMIS уже выложены: 👉 https://github.com/Stanford-Trinity/ARTEMIS
Stay secure and read SecureTechTalks 📚
#SecureTechTalks #AIsecurity #Pentest #RedTeam #CyberSecurity #AIagents #OffensiveSecurity #CISO #AppSec #Infosec
Что будет, если выпустить автономный AI-агент в настоящий enterprise-контур и сравнить его с живыми профессиональными пентестерами?
Не CTF или лаборатории, а реальная прод-сеть на ~8 000 хостов.
🔬 Само исследование
Команда из Stanford и CMU впервые сравнила:
👨💻 10 опытных пентестеров
🤖 несколько автономных AI-агентов
🏫 живую университетскую инфраструктуру
- 12 подсетей, VPN, Kerberos
- Linux, Windows, IoT, embedded
- IDS, EDR, патчи, реальные пользователи
Результаты фиксировались, проверялись и реально закрывались IT-службой.
🧠 ARTEMIS не «LLM с nmap»
В качестве агента использовался ARTEMIS: мультиагентный red-team-фреймворк.
Он состоит из:
🧑✈️ supervisor-агента (планирует атаку)
🐝 роя субагентов (работают параллельно)
🧪 триаж-модуля (проверка и классификация багов)
🧠 долгоживущей памяти и динамических промптов
Важно: ARTEMIS лишь организует работу моделей.
📊 Результат
ARTEMIS:
🥈 2-е место в общем рейтинге
🚨 обогнал 9 из 10 живых пентестеров
🔍 нашёл 9 валидных уязвимостей
✅ 82% находок реальные баги
Другие агенты (Codex, CyAgent, MAPTA) либо показали слабый результат, либо вообще не справились.
👉 Выиграла не модель.
👉 Выиграла архитектура агента.
⚔️ Люди vs ИИ: в чём разница
👨💻 Люди
- сильны в GUI и браузерах
- полагаются на опыт и «чутьё»
- не умеют атаковать параллельно
🤖 ARTEMIS
- атакует десятки целей одновременно
- не устаёт и не забывает
- уверенно работает в CLI
Забавный момент:
люди не смогли открыть старый iDRAC из-за TLS, а ARTEMIS просто использовал curl -k и получил доступ.
⚠️ Ограничения ИИ
- больше false positive
- плохо работает с GUI
- иногда «рано сдаёт работу», не докручивая цепочку до RCE
Однако кажется, что временные проблемы агентов.
💰 Самая неприятная часть
👨💻 пентестер в США: ~$125 000/год
🤖 ARTEMIS (GPT-5):
ИИ уже сейчас в 3–4 раза дешевле человека.
🧠 Главный вывод
ИИ делает атаки масштабируемыми.
А значит, такие агенты будут у атакующих. Защитникам нужно учиться думать как AI-red team.
🔗 Исходники ARTEMIS уже выложены: 👉 https://github.com/Stanford-Trinity/ARTEMIS
Stay secure and read SecureTechTalks 📚
#SecureTechTalks #AIsecurity #Pentest #RedTeam #CyberSecurity #AIagents #OffensiveSecurity #CISO #AppSec #Infosec
🔥 Kali Linux 2025.4: ключевые обновления
⚡ Offensive Security выпустила Kali Linux 2025.4. Давайте разберем, что изменилось.
🎨 UI/UX:
Интерфейс переосмыслен с фокусом на продуктивность:
GNOME 47 получил структурированную сетку приложений. Инструменты сгруппированы логично, а не разбросаны хаотично, как это было раньше. Новая панель активности и быстрый запуск терминала (Ctrl+Alt+T) экономят драгоценные секунды в работе. 🖥️
KDE Plasma 6.2 предлагает серьезные улучшения:
➖ Интегрированный скриншотер с базовым редактором: фиксируйте и оставляйте комменты к находкам без переключения окон.
➖ Менеджер буфера обмена с историей и закреплением: больше не потеряете важные хэши или команды.
➖ Умный поиск по приложениям и файлам, устойчивый к опечаткам.
Xfce 4.20 теперь поддерживает системные цветовые схемы. Темная тема стала еще гармоничнее. 🎭
⚙️ Новый инструментарий:
В репозиторий добавлены три инструмента:
➖ bpf-linker утилита для статической линковки BPF-объектов. Ключевое преимущество: совместимость со старыми ядрами Linux. Незаменим для разработчиков эксплойтов, работающих с eBPF.
➖ evil-winrm-py нативная Python-реализация популярного инструмента для работы с WinRM. Прямая интеграция с другими скриптами на Python упрощает тестирование окружений Active Directory. Админам есть над чем задуматься. 😈
➖ hexstrike-ai MCP-сервер, который позволяет LLM-агентам (например, Claude, GPT) безопасно взаимодействовать с инструментами Kali. Первый шаг к контролируемой автоматизации сложных пентест-сценариев.
⚙ Другие обновления
📱 Kali NetHunter:
Мобильная платформа обновила поддержку устройств:
- Линейка Samsung Galaxy S10 (включая 5G) на LineageOS 23.
- OnePlus Nord под управлением Android 16.
- Xiaomi Mi 9 на Android 15.
Это превращает совместимые смартфоны в полноценные портативные станции для тестирования беспроводных сетей и проведения аудитов.
💾 Дистрибуция: Новые реалии
Официальные образы Kali Live и Kali Everything теперь распространяются исключительно через BitTorrent. Это вынужденная мера из-за возросшего объема дистрибутивов. Остальные варианты установки (установщики, облачные образы) остаются доступны на mirrors.kali.org.
🔗 Полный список обновлений на GitHub:
https://github.com/offensive-security/kali-linux
Stay secure and read SecureTechTalks 📚
#KaliLinux #Кибербезопасность #Пентест #ActiveDirectory #InfoSec #EthicalHacking #Linux #OffensiveSecurity
⚡ Offensive Security выпустила Kali Linux 2025.4. Давайте разберем, что изменилось.
🎨 UI/UX:
Интерфейс переосмыслен с фокусом на продуктивность:
GNOME 47 получил структурированную сетку приложений. Инструменты сгруппированы логично, а не разбросаны хаотично, как это было раньше. Новая панель активности и быстрый запуск терминала (Ctrl+Alt+T) экономят драгоценные секунды в работе. 🖥️
KDE Plasma 6.2 предлагает серьезные улучшения:
Xfce 4.20 теперь поддерживает системные цветовые схемы. Темная тема стала еще гармоничнее. 🎭
⚙️ Новый инструментарий:
В репозиторий добавлены три инструмента:
⚙ Другие обновления
📱 Kali NetHunter:
Мобильная платформа обновила поддержку устройств:
- Линейка Samsung Galaxy S10 (включая 5G) на LineageOS 23.
- OnePlus Nord под управлением Android 16.
- Xiaomi Mi 9 на Android 15.
Это превращает совместимые смартфоны в полноценные портативные станции для тестирования беспроводных сетей и проведения аудитов.
💾 Дистрибуция: Новые реалии
Официальные образы Kali Live и Kali Everything теперь распространяются исключительно через BitTorrent. Это вынужденная мера из-за возросшего объема дистрибутивов. Остальные варианты установки (установщики, облачные образы) остаются доступны на mirrors.kali.org.
🔗 Полный список обновлений на GitHub:
https://github.com/offensive-security/kali-linux
Stay secure and read SecureTechTalks 📚
#KaliLinux #Кибербезопасность #Пентест #ActiveDirectory #InfoSec #EthicalHacking #Linux #OffensiveSecurity
Please open Telegram to view this post
VIEW IN TELEGRAM
🤖 AutoPentestX: пентест становится пайплайном
Попытка собрать полноценный offensive-конвейер, где ИИ не отвечает на вопросы, а принимает решения.
AutoPentestX - open-source фреймворк для автоматизированного пентеста с использованием LLM.
🧠 Что такое AutoPentestX
AutoPentestX представляет собой agent-based систему, которая:
➖ принимает цель (URL / IP / диапазон),
➖ самостоятельно выбирает инструменты,
➖ анализирует вывод,
➖ решает, что делать дальше,
и документирует результат.
Ключевая идея:
⚙️ Архитектура
Внутри довольно простая схема, которую можно разложить на основные части:
➖ LLM (OpenAI / совместимые модели), то бишь мозг принятия решений
➖ Классические инструменты:
-Nmap
-Nikto
-Gobuster
-SQLMap
-WhatWeb и др.
➖ Оркестрация:
модель анализирует stdout инструментов и решает:
что запускать дальше,
какие флаги менять,
когда остановиться.
По сути, это ReAct-подход, но применённый не к чату, а к атакующему пайплайну.
🔁 Процесс атаки
🔍 Recon
Определение сервисов, технологий, точек входа
🧪 Enumeration
Перебор директорий, API, параметров
💣 Exploitation (ограниченно)
SQLi, XSS, misconfigurations — без «0day магии»
📝 Reporting
Генерация отчёта с объяснением найденных проблем.
Инструмент не ломает всё подряд, а действует в рамках выбранного сценария.
🧊 Ограничения
❌ не заменяет профессионального пентестера
❌ не ищет сложные логические баги
❌ сильно зависит от качества промпта и модели
❌ может галлюцинировать выводы
🔗 GitHub проекта:
https://github.com/Gowtham-Darkseid/AutoPentestX
Stay secure and read SecureTechTalks 📚
#cybersecurity #pentest #offensivesecurity #llmsecurity #aigent #redteam #opensecurity #infosec #securetechtalks
Попытка собрать полноценный offensive-конвейер, где ИИ не отвечает на вопросы, а принимает решения.
AutoPentestX - open-source фреймворк для автоматизированного пентеста с использованием LLM.
🧠 Что такое AutoPentestX
AutoPentestX представляет собой agent-based систему, которая:
и документирует результат.
Ключевая идея:
LLM управляет пентестом, а не подсказывает человеку.
⚙️ Архитектура
Внутри довольно простая схема, которую можно разложить на основные части:
-Nmap
-Nikto
-Gobuster
-SQLMap
-WhatWeb и др.
модель анализирует stdout инструментов и решает:
что запускать дальше,
какие флаги менять,
когда остановиться.
По сути, это ReAct-подход, но применённый не к чату, а к атакующему пайплайну.
🔁 Процесс атаки
🔍 Recon
Определение сервисов, технологий, точек входа
🧪 Enumeration
Перебор директорий, API, параметров
💣 Exploitation (ограниченно)
SQLi, XSS, misconfigurations — без «0day магии»
📝 Reporting
Генерация отчёта с объяснением найденных проблем.
Инструмент не ломает всё подряд, а действует в рамках выбранного сценария.
🧊 Ограничения
❌ не заменяет профессионального пентестера
❌ не ищет сложные логические баги
❌ сильно зависит от качества промпта и модели
❌ может галлюцинировать выводы
🔗 GitHub проекта:
https://github.com/Gowtham-Darkseid/AutoPentestX
Stay secure and read SecureTechTalks 📚
#cybersecurity #pentest #offensivesecurity #llmsecurity #aigent #redteam #opensecurity #infosec #securetechtalks
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2
🧘♂️ Zen-AI-Pentest: пентестер автономный агент
Zen-AI-Pentest - open-source проект, который строит автономного AI-агента для пентеста, систему, принимающую решения в процессе атаки.
🧠 В чём идея?
Zen-AI-Pentest использует LLM как «мозг» атакующего пайплайна:
➖ получает цель (URL/IP),
➖ выбирает инструменты,
➖ анализирует результаты,
➖ решает, что делать дальше,
➖ повторяет цикл до достижения цели или исчерпания гипотез.
ReAct-подход, применённый к offensive security.
⚙️ Детали
Архитектурно система состоит из следующих компонентов:
1️⃣ LLM-ядра
Модель принимает решения на основе промежуточных результатов.
2️⃣ Инструментального слоя
Подключаются классические инструменты (сканеры, переборы, анализаторы). LLM не заменяет их, она управляет ими.
3️⃣ Цикла обратной связи
Результаты выполнения команд возвращаются модели, и она корректирует стратегию.
🔍 Где пригодится?
➖ автоматизация базового recon
➖ тестирование типовых конфигурационных ошибок
➖ демонстрация offensive-пайплайна в обучении
➖ исследование поведения LLM в атакующих сценариях
Проект особенно полезен как R&D-платформа, чтобы понять:
насколько далеко можно зайти с автономными агентами в offensive security.
🧊 Ограничения
❌ модель может галлюцинировать выводы
❌ сложные логические баги агент не поймёт
❌ многое зависит от качества промптов и ограничений среды
Zen-AI-Pentest это экспериментальная платформа, а не production-ready red team.
🔗 GitHub проекта:
https://github.com/SHAdd0WTAka/Zen-Ai-Pentest
Stay secure and read SecureTechTalks 📚
#cybersecurity #pentest #aigent #llmsecurity #offensivesecurity #redteam #securetechtalks
Zen-AI-Pentest - open-source проект, который строит автономного AI-агента для пентеста, систему, принимающую решения в процессе атаки.
🧠 В чём идея?
Zen-AI-Pentest использует LLM как «мозг» атакующего пайплайна:
➖ получает цель (URL/IP),
➖ выбирает инструменты,
➖ анализирует результаты,
➖ решает, что делать дальше,
➖ повторяет цикл до достижения цели или исчерпания гипотез.
ReAct-подход, применённый к offensive security.
⚙️ Детали
Архитектурно система состоит из следующих компонентов:
1️⃣ LLM-ядра
Модель принимает решения на основе промежуточных результатов.
2️⃣ Инструментального слоя
Подключаются классические инструменты (сканеры, переборы, анализаторы). LLM не заменяет их, она управляет ими.
3️⃣ Цикла обратной связи
Результаты выполнения команд возвращаются модели, и она корректирует стратегию.
🔍 Где пригодится?
➖ автоматизация базового recon
➖ тестирование типовых конфигурационных ошибок
➖ демонстрация offensive-пайплайна в обучении
➖ исследование поведения LLM в атакующих сценариях
Проект особенно полезен как R&D-платформа, чтобы понять:
насколько далеко можно зайти с автономными агентами в offensive security.
🧊 Ограничения
❌ модель может галлюцинировать выводы
❌ сложные логические баги агент не поймёт
❌ многое зависит от качества промптов и ограничений среды
Zen-AI-Pentest это экспериментальная платформа, а не production-ready red team.
🔗 GitHub проекта:
https://github.com/SHAdd0WTAka/Zen-Ai-Pentest
Stay secure and read SecureTechTalks 📚
#cybersecurity #pentest #aigent #llmsecurity #offensivesecurity #redteam #securetechtalks
👍1
🤖 Sandyaa: AI-агент для разведки
Разведка давно перестала быть проблемой с точки зрения инструментов: Subfinder, httpx, nuclei, waybackurls, DNSdumpster, Shodan. Экосистема огромная. Однако человек просто тонет в количестве результатов.
Sandyaa строится как orchestration-layer поверх классических recon-инструментов. Агент собирает данные о цели, анализирует результаты и сам определяет, какие действия выполнять дальше.
Технически Sandyaa комбинирует:
🔹 subdomain enumeration
🔹 technology fingerprinting
🔹 endpoint discovery
🔹 OSINT
🔹 vulnerability reconnaissance
LLM работает как reasoning-движок между этапами reconnaissance.
Например, агент может: увидеть exposed admin endpoint → определить стек → заметить старую версию framework → автоматически переключиться на поиск типовых misconfiguration или CVE именно для этой технологии. Следующий шаг зависит от контекста предыдущего.
Результаты работы утилит нормализуются, передаются модели, после чего LLM генерирует следующую последовательность recon-действий. Sandyaa пытается построить decision-making layer.
Правда, здесь сразу проявляется слабое место LLM. Модель может переоценивать находки, строить нереалистичные attack paths или уходить в ложные гипотезы. Особенно плохо агенты пока работают с noisy reconnaissance-данными, где важно отличать интересную аномалию от обычного мусора.
🔗 GitHub: https://github.com/securelayer7/sandyaa
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #Reconnaissance #Pentest #OffensiveSecurity #AgenticAI #OSINT #OpenSource #SecureTechTalks
Разведка давно перестала быть проблемой с точки зрения инструментов: Subfinder, httpx, nuclei, waybackurls, DNSdumpster, Shodan. Экосистема огромная. Однако человек просто тонет в количестве результатов.
Sandyaa строится как orchestration-layer поверх классических recon-инструментов. Агент собирает данные о цели, анализирует результаты и сам определяет, какие действия выполнять дальше.
Технически Sandyaa комбинирует:
🔹 subdomain enumeration
🔹 technology fingerprinting
🔹 endpoint discovery
🔹 OSINT
🔹 vulnerability reconnaissance
LLM работает как reasoning-движок между этапами reconnaissance.
Например, агент может: увидеть exposed admin endpoint → определить стек → заметить старую версию framework → автоматически переключиться на поиск типовых misconfiguration или CVE именно для этой технологии. Следующий шаг зависит от контекста предыдущего.
Результаты работы утилит нормализуются, передаются модели, после чего LLM генерирует следующую последовательность recon-действий. Sandyaa пытается построить decision-making layer.
Правда, здесь сразу проявляется слабое место LLM. Модель может переоценивать находки, строить нереалистичные attack paths или уходить в ложные гипотезы. Особенно плохо агенты пока работают с noisy reconnaissance-данными, где важно отличать интересную аномалию от обычного мусора.
🔗 GitHub: https://github.com/securelayer7/sandyaa
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #Reconnaissance #Pentest #OffensiveSecurity #AgenticAI #OSINT #OpenSource #SecureTechTalks
👍1
🧠 Помогают ли Skills для AI-агентов в задачах кибербезопасности?
Немного ликбеза: Skills - это структурированные пакеты процедурных знаний для LLM-агентов. Этакий внешний слой опыта как искать уязвимость, как проводить triage, как выполнять exploitation workflow, какие шаги делать дальше.
Обычно это выглядит как:
🔹 инструкции (SKILL.md)
🔹 attack templates
🔹 best practices
🔹 lessons learned
🔹 procedural playbook’и
Вместо того чтобы каждый раз «изобретать» exploitation path, агент получает готовый operational memory.
🧪 Эксперименты
Исследователи взяли автономного CTF-агента с MCP-tooling и прогнали 180 запусков на 15 offensive-security задачах от reverse engineering, до memory corruption.
Агент работал с обычным техстеком в виде Nmap, Ghidra, Angr и т.д.. Все инструменты были подключены через MCP и возвращали строго типизированные результаты через schema-validated JSON.
Дальше начали играться со Skills:
1⃣ почти без инструкций
2⃣ lessons learned из прошлых запусков
3⃣ curated attack templates
4⃣ «полный фарш» со всеми Skills сразу
Казалось бы, чем больше навыков, тем лучше результат (спойлер -не всегда ).
📉 Эффективность Skills
Разница между агентом без Skills и агентом со всем набором Skills составила всего +8.9% успешности.
Статистически это оказалось совсем незначимым.
Были кейсы, когда Skills даже ухудшали результат. В timing side-channel задачах агент с «полным набором знаний и навыков» справился хуже, чем более узкая версия с curated templates. Агент начинал применять неподходящий опыт из прошлого и упорно шел по неверному пути.
🔥 Мысли
Skills нужны только тогда, когда окружение тупое.
Последний год многие пытались сделать AI-агентов умнее через memory, retrieval, skills и т.п. Однако возможно важнее не умный агент, а хороший tool grounding?
Вместо ещё 100500 строк инструкций иногда полезнее сделать нормальный MCP и подключить больше инструментов.
🔗 Исследование: https://arxiv.org/abs/2605.20023
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #AgenticAI #MCP #CyberSecurity #OffensiveSecurity #CTF #AIsecurity #SecureTechTalks
Немного ликбеза: Skills - это структурированные пакеты процедурных знаний для LLM-агентов. Этакий внешний слой опыта как искать уязвимость, как проводить triage, как выполнять exploitation workflow, какие шаги делать дальше.
Обычно это выглядит как:
🔹 инструкции (SKILL.md)
🔹 attack templates
🔹 best practices
🔹 lessons learned
🔹 procedural playbook’и
Вместо того чтобы каждый раз «изобретать» exploitation path, агент получает готовый operational memory.
🧪 Эксперименты
Исследователи взяли автономного CTF-агента с MCP-tooling и прогнали 180 запусков на 15 offensive-security задачах от reverse engineering, до memory corruption.
Агент работал с обычным техстеком в виде Nmap, Ghidra, Angr и т.д.. Все инструменты были подключены через MCP и возвращали строго типизированные результаты через schema-validated JSON.
Дальше начали играться со Skills:
1⃣ почти без инструкций
2⃣ lessons learned из прошлых запусков
3⃣ curated attack templates
4⃣ «полный фарш» со всеми Skills сразу
Казалось бы, чем больше навыков, тем лучше результат (спойлер -
📉 Эффективность Skills
Разница между агентом без Skills и агентом со всем набором Skills составила всего +8.9% успешности.
Статистически это оказалось совсем незначимым.
Были кейсы, когда Skills даже ухудшали результат. В timing side-channel задачах агент с «полным набором знаний и навыков» справился хуже, чем более узкая версия с curated templates. Агент начинал применять неподходящий опыт из прошлого и упорно шел по неверному пути.
🔥 Мысли
Skills нужны только тогда, когда окружение тупое.
Последний год многие пытались сделать AI-агентов умнее через memory, retrieval, skills и т.п. Однако возможно важнее не умный агент, а хороший tool grounding?
Вместо ещё 100500 строк инструкций иногда полезнее сделать нормальный MCP и подключить больше инструментов.
🔗 Исследование: https://arxiv.org/abs/2605.20023
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #AgenticAI #MCP #CyberSecurity #OffensiveSecurity #CTF #AIsecurity #SecureTechTalks
👍2
🧠 На GitHub выложили offensive-security Skills для AI-агентов
Похоже, эпоха «универсальных» агентов начинает заканчиваться.
На GitHub появился репозиторий Anthropic Cybersecurity Skills, набор готовых procedural skills для offensive-security задач. Унифецировать operational workflow для агентов кибербезопасности становится проще.
Внутри набор специализированных "SKILL.md", заточенных под конкретные сценарии:
🔹 web exploitation
🔹 reconnaissance
🔹 reverse engineering
🔹 binary analysis
🔹 vulnerability research
🔹 CTF-style workflows
⚙️ Немного о сценариях
Skill ограничивает search space агента. Вместо хаотичного reasoning модель получает заранее определённую методологию выполнения.
Например, web-testing skill может задавать последовательность:
Reverse engineering skill уже будет толкать агента в сторону:
То есть agent reasoning становится ближе к playbook-driven execution.
🧪 Эффективность скиллов
Недавние исследования показывали, что Skills далеко не всегда улучшают performance. Иногда агент начинает слишком упорно применять знакомый workflow и идет в неверную сторону.
Получается любопытная зависимость:
➖ слишком мало Skills → хаотичный reasoning
➖ слишком много Skills → procedural tunnel vision
Именно здесь сейчас проходит граница эффективности agentic security.
🔗 GitHub: https://github.com/mukul975/Anthropic-Cybersecurity-Skills
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #Claude #Anthropic #AgenticAI #Pentest #OffensiveSecurity #CyberSecurity #SecureTechTalks
Похоже, эпоха «универсальных» агентов начинает заканчиваться.
На GitHub появился репозиторий Anthropic Cybersecurity Skills, набор готовых procedural skills для offensive-security задач. Унифецировать operational workflow для агентов кибербезопасности становится проще.
Внутри набор специализированных "SKILL.md", заточенных под конкретные сценарии:
🔹 web exploitation
🔹 reconnaissance
🔹 reverse engineering
🔹 binary analysis
🔹 vulnerability research
🔹 CTF-style workflows
⚙️ Немного о сценариях
Skill ограничивает search space агента. Вместо хаотичного reasoning модель получает заранее определённую методологию выполнения.
Например, web-testing skill может задавать последовательность:
surface mapping → auth analysis → input tracing → state transitions → exploit hypothesis → validationReverse engineering skill уже будет толкать агента в сторону:
binary triage → symbols → strings → CFG → suspicious execution paths → patching/debuggingТо есть agent reasoning становится ближе к playbook-driven execution.
🧪 Эффективность скиллов
Недавние исследования показывали, что Skills далеко не всегда улучшают performance. Иногда агент начинает слишком упорно применять знакомый workflow и идет в неверную сторону.
Получается любопытная зависимость:
Именно здесь сейчас проходит граница эффективности agentic security.
🔗 GitHub: https://github.com/mukul975/Anthropic-Cybersecurity-Skills
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #Claude #Anthropic #AgenticAI #Pentest #OffensiveSecurity #CyberSecurity #SecureTechTalks
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
🧨 DarkMoon превращает AI в автономного пентестера
На фоне бума AI-агентов появился ещё один интересный open-source проект, DarkMoon. Это полноценная мультиагентная атакуюшая платформа, где LLM не просто запускает инструменты, а строит атаку как связанный граф.
⚙️ Что внутри?
Внутри работает 18 специализированных агентов и 80+ offensive-инструментов.
Сначала master-agent проводит разведку и определяет стек цели по 14 технологическим сигналам:
🔹 web stack
🔹 Active Directory
🔹 Kubernetes
🔹 cloud
🔹 CMS
🔹 network surface
После разведки система запускает нужных агентов в нужной последовательности.
🧠 AI не получает shell
Обычно AI pentest-платформы дают модели прямой shell-доступ,
DarkMoon строит только план атаки, а все реальные вызовы агентов проходят через MCP-gateway, который определяет:
🔹 какой бинарник можно запускать
🔹 с какими аргументами
🔹 в каком контексте
🔹 с какими ограничениями
🛡️ Интересности
LLM уже хорошо умеют искать. Проблема в управляемости и воспроизводимости цепочки атак. Данные инструмент закрывает именно эти задачи:
➖ строит повторяемые offensive workflows,
➖ сохраняет доказательства
➖ маппитьрезультаты в MITRE ATT&CK и сразу готовить отчёты под ISO 27001, Bugcrowd и HackerOne
🔗 GitHub: https://github.com/ASCIT31/Dark-Moon
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #Pentest #AgenticAI #RedTeam #OffensiveSecurity #AppSec #CyberSecurity #SecureTechTalks
На фоне бума AI-агентов появился ещё один интересный open-source проект, DarkMoon. Это полноценная мультиагентная атакуюшая платформа, где LLM не просто запускает инструменты, а строит атаку как связанный граф.
⚙️ Что внутри?
Внутри работает 18 специализированных агентов и 80+ offensive-инструментов.
Сначала master-agent проводит разведку и определяет стек цели по 14 технологическим сигналам:
🔹 web stack
🔹 Active Directory
🔹 Kubernetes
🔹 cloud
🔹 CMS
🔹 network surface
После разведки система запускает нужных агентов в нужной последовательности.
🧠 AI не получает shell
Обычно AI pentest-платформы дают модели прямой shell-доступ,
DarkMoon строит только план атаки, а все реальные вызовы агентов проходят через MCP-gateway, который определяет:
🔹 какой бинарник можно запускать
🔹 с какими аргументами
🔹 в каком контексте
🔹 с какими ограничениями
🛡️ Интересности
LLM уже хорошо умеют искать. Проблема в управляемости и воспроизводимости цепочки атак. Данные инструмент закрывает именно эти задачи:
🔗 GitHub: https://github.com/ASCIT31/Dark-Moon
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #Pentest #AgenticAI #RedTeam #OffensiveSecurity #AppSec #CyberSecurity #SecureTechTalks
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
🚨 У AI-агентов появился полноценный стек безопасности
На arXiv вышла работа AI-Infra-Guard, фреймворк для тестирования безопасности агентных систем.
Авторы разбивают фреймворк на 4 слоя:
🔹 Инфраструктурный слой: движки вывода, серверы моделей, API обслуживания
🔹 Протокольный слой: MCP-серверы, API, плагины, внешние инструменты
🔹 Агентный слой: планировщик, память, маршрутизатор инструментов, исполнитель
🔹 Модельный слой: обработка промптов, управление контекстом, логика рассуждений
🧐 Каждый слой ломается по-разному
➖ На инфраструктурном уровне:
— открытые административные интерфейсы
— слабая аутентификация в системе обслуживания моделей
— отравленные артефакты моделей
— небезопасные механизмы горячего обновления
➖ На протокольном уровне: — вредоносная регистрация MCP-инструментов
— подмена схемы вызовов
— скрытая передача аргументов
— имитация легитимных инструментов
➖ На агентном уровне:
— рекурсивные циклы вызова инструментов
— повышение привилегий через цепочки вызовов
— отравление памяти
— захват контекста выполнения
➖ На модельном уровне:
— джейлбрейки
— переопределение инструкций
— скрытые внедрения в промпты
— утечки цепочек рассуждений
⚙️ Что внутри AI-Infra-Guard
Фреймворк выглядит очень серьёзно:
• 1400+ правил безопасности
• 75+ компонентов AI-экосистемы
• 26 операторов джейлбрейка
• многошаговая оркестрация атак в чёрном ящике
• аудит MCP-серверов
• проверка агентных навыков
• 16 тестовых датасетов
Особенно интересен их подход к многошаговой эксплуатации.
Атака строится по цепочке:
шаг 1 → подготовка контекста
шаг 2 → формирование доверия
шаг 3 → разведка доступных инструментов
шаг 4 → проверка прав доступа
шаг 5 → переход к выполнению полезной нагрузки
Это намного ближе к реальным атакам на агентные системы, чем классические одноходовые проверки.
🔗 Статья:
https://arxiv.org/pdf/2606.31227
Stay secure and read SecureTechTalks 📚
#cybersecurity #aiagents #llmsecurity #redteam #mcp #agentsecurity #promptinjection #devsecops #offensivesecurity #securetechtalks
На arXiv вышла работа AI-Infra-Guard, фреймворк для тестирования безопасности агентных систем.
Авторы разбивают фреймворк на 4 слоя:
🔹 Инфраструктурный слой: движки вывода, серверы моделей, API обслуживания
🔹 Протокольный слой: MCP-серверы, API, плагины, внешние инструменты
🔹 Агентный слой: планировщик, память, маршрутизатор инструментов, исполнитель
🔹 Модельный слой: обработка промптов, управление контекстом, логика рассуждений
🧐 Каждый слой ломается по-разному
— открытые административные интерфейсы
— слабая аутентификация в системе обслуживания моделей
— отравленные артефакты моделей
— небезопасные механизмы горячего обновления
— подмена схемы вызовов
— скрытая передача аргументов
— имитация легитимных инструментов
— рекурсивные циклы вызова инструментов
— повышение привилегий через цепочки вызовов
— отравление памяти
— захват контекста выполнения
— джейлбрейки
— переопределение инструкций
— скрытые внедрения в промпты
— утечки цепочек рассуждений
⚙️ Что внутри AI-Infra-Guard
Фреймворк выглядит очень серьёзно:
• 1400+ правил безопасности
• 75+ компонентов AI-экосистемы
• 26 операторов джейлбрейка
• многошаговая оркестрация атак в чёрном ящике
• аудит MCP-серверов
• проверка агентных навыков
• 16 тестовых датасетов
Особенно интересен их подход к многошаговой эксплуатации.
Атака строится по цепочке:
шаг 1 → подготовка контекста
шаг 2 → формирование доверия
шаг 3 → разведка доступных инструментов
шаг 4 → проверка прав доступа
шаг 5 → переход к выполнению полезной нагрузки
Это намного ближе к реальным атакам на агентные системы, чем классические одноходовые проверки.
🔗 Статья:
https://arxiv.org/pdf/2606.31227
Stay secure and read SecureTechTalks 📚
#cybersecurity #aiagents #llmsecurity #redteam #mcp #agentsecurity #promptinjection #devsecops #offensivesecurity #securetechtalks
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1👏1
🧨 Claude получил доступ в интернет и трижды атаковал реальные компании
Во время проверки offensive-возможностей Claude модель трижды вышла за пределы тестовой среды и начала взаимодействовать с инфраструктурой реальных компаний. Инциденты обнаружили после анализа 141 006 запусков.
⚙️ Песочница оказалась не песочницей
Во всех трёх случаях причина была одинаковой, из-за ошибки конфигурации у тестового окружения оказался доступ в интернет. Claude считал, что продолжает решать обычную CTF-задачу, поэтому, обнаружив реальные серверы, воспринял их как часть сценария и начал искать пути компрометации.
🧠 Детали атак
В одном случае модель получила доступ к базе данных с несколькими сотнями реальных записей.
В другом самостоятельно опубликовала вредоносный пакет в PyPI. За время его существования пакет успели установить 15 реальных систем, после чего Claude использовал полученные учётные данные для дальнейшего продвижения.
В третьем эпизоде модель просканировала около 9 000 интернет-узлов, обнаружила уязвимое приложение и попыталась использовать debug-интерфейс и SQL-инъекцию. Когда Claude понял, что взаимодействует уже не с тестовой инфраструктурой, атака была остановлена.
Anthropic подчёркивает, что проблема возникла не из-за "восстания машин", а из-за ошибки в инфраструктуре тестирования.
🔗 Источник: https://www.anthropic.com/news/investigating-incidents-cybersecurity-evals
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #Anthropic #Claude #AgenticAI #CyberSecurity #OffensiveSecurity #AISafety #SecureTechTalks
Во время проверки offensive-возможностей Claude модель трижды вышла за пределы тестовой среды и начала взаимодействовать с инфраструктурой реальных компаний. Инциденты обнаружили после анализа 141 006 запусков.
⚙️ Песочница оказалась не песочницей
Во всех трёх случаях причина была одинаковой, из-за ошибки конфигурации у тестового окружения оказался доступ в интернет. Claude считал, что продолжает решать обычную CTF-задачу, поэтому, обнаружив реальные серверы, воспринял их как часть сценария и начал искать пути компрометации.
🧠 Детали атак
В одном случае модель получила доступ к базе данных с несколькими сотнями реальных записей.
В другом самостоятельно опубликовала вредоносный пакет в PyPI. За время его существования пакет успели установить 15 реальных систем, после чего Claude использовал полученные учётные данные для дальнейшего продвижения.
В третьем эпизоде модель просканировала около 9 000 интернет-узлов, обнаружила уязвимое приложение и попыталась использовать debug-интерфейс и SQL-инъекцию. Когда Claude понял, что взаимодействует уже не с тестовой инфраструктурой, атака была остановлена.
Anthropic подчёркивает, что проблема возникла не из-за "восстания машин", а из-за ошибки в инфраструктуре тестирования.
🔗 Источник: https://www.anthropic.com/news/investigating-incidents-cybersecurity-evals
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #LLM #Anthropic #Claude #AgenticAI #CyberSecurity #OffensiveSecurity #AISafety #SecureTechTalks
👍1