PART.1 前 言
在之前幾篇文章中，搭建試用了幾款目前市面上比較熱門的開源AI自動化（輔助）滲透測試工具，效果參差不一，總的來說這幾款工具離AI自動化安全測試離工程化、商業化還有一定的距離。本文參考已有的方案，基于Web越權漏洞這個常見的細分漏洞，利用AI大模型從零搭建一個自動化安全測試流程。
針對Web越權漏洞，其實已經有很多很好用的輔助插件可以方便滲透測試人員進行測試，比如BurpSuite中的Autorize插件，只需要自定義需要替換的認證頭即可被動測試?；贏I的測試插件也有很多，構建提示詞對流量返回包進行對比分析省去人工核驗的步驟。下面就基于水平越權且只有單個測試賬號的場景，跑通AI自動化修改參數發包->AI自動比對響應包檢測漏洞的流程，如下圖所示（圖片由AI生成）
PART.2 AI編寫檢測系統
我們的目標是做一個水平越權檢測系統，AI修改參數，重放，AI比對響應得出漏洞檢測結果，既然目標清晰，就可以編寫提示詞讓AI IDE（本文使用的是Trae）將整個系統實現出來，參考提示詞：
我想利用大模型技術開發一個被動式的Web越權漏洞檢測系統：
1.傳統的自動化越權漏洞檢測原理為burpsuite的Authorize插件，通過被動式捕獲http流量，對指定請求頭進行替換如cookie，判斷返回包長度大小是否一致，一致則存在越權漏洞；
2.我發現上述檢測手段存在局限：一個是設置固定的替換請求頭太過死板，只能檢測淺層的越權漏洞，有些認證頭如cookie參數非常多，應該根據參數名的含義和特征進行動態替換，如uid=1001可以替換為加uid=1（可能為管理員）或者隨機減數如uid=998，或者phone=13811111111替換為phone=18888888888，這些都需要大模型識別參數含義進行動態替換；
3.另一個是只通過判斷返回包長度大小過于局限，需要大模型根據返回包內容進行判斷，防止誤報；
4.另外為了節約token開銷，需要過濾掉返回包靜態資源如html、js、文件、圖片等等，只判斷返回格式為json、xml、txt獲取其他有效數據返回格式的請求包
AI開發系統架構如下圖所示
最終經過多輪對話，AI編寫除了一個檢測系統和一個存在水平越權的測試應用
啟動檢測系統，檢測系統啟動在5000端口，監聽了一個8080端口的被動代理，待測應用只需要代理這個端口即可
點擊啟動掃描啟動測試應用，這個測試應用的多個接口存在水平越權漏洞，如訂單查詢接口
/api/user/orders?user_id=1
可以看到使用檢測系統成功檢測出了這個接口的水平越權漏洞
從上面流程可以看出，我們僅僅通過對話的方式，就讓AI做出了一個“看起來可用”的Web水平越權漏洞檢測系統，甚至對于如何修改參數、如何對比響應包的提示詞都是AI自行編寫的。但是全部使用AI完成這套流程存在一個比較麻煩的問題，就是維護和擴展只能依賴AI繼續完成，自己和別人都無法很好的理解和擴展這段代碼，最后可能變成一個“屎山”系統。那有沒有更好的方式，既能完全使用AI大模型解放生產力又能更好維護呢，下面就用大模型配合原生AI工作流平臺結合的方式進行探索。
PART.3 AI大模型+N8N工作流重構檢測系統
N8N和coze、Dify等系統一樣，都是原生支持AI大模型的工作流平臺，擁有非常豐富的組件和社區模板，用戶只需要在工作臺拖動組件進行配置就可以完成，如下圖所示，這樣的方式對于維護和擴展來說都非常簡潔直觀
首先先寫一個代理腳本，作為初步的數據過濾和格式化，減少并標準化發送到n8n進行AI處理的流量（腳本由AI生成）
然后讓AI生成N8N工作流json文件
導入到N8N平臺經過調整之后流程如下
最后只需在主機上運行一個代理即可，N8N的工作流就相當于一個AI AGENT，完成了所有的測試工作
如此以來，就對整個檢測系統進行了解耦，N8N作為檢測中樞，其中的所有模塊都可以復用，如流量解析、請求重放、去重、告警通知等，如果想要測試其他漏洞，只需修改AI節點中的提示詞即可，從維護和擴展上來說，都非常的方便直觀。對于測試人員來說，不需要知道檢測系統怎么啟動運行，只需要啟動一個代理接入即可；對于設計人員來說，只需要在N8N工作流平臺中進行流程設計即可。這樣的模式對于集成到CI/CD會更有優勢。
PART.4 總結
本文僅對水平越權漏洞的AI全自動化發現流程進行了研究，而且并未考慮系統通用性、性能、提示詞設計等因素，只是一次實驗性的探索。從結果上來說，流程上是跑通了但是還沒有落地可用，但在設計過程中，確實感覺讓AI融入現有流程的效果確實比讓AI從零實現一個目標的效果要好得多，很多單位內部其實都有了一套安全測試（運營）流程（工作流），可以讓AI集成到這一流程中，既能夠真實的節省人力，也不至于有很大的學習維護成本。
浙公網安備 33010502006954號 
