1. 安全态势严峻
根据美国联邦调查局（FBI）的《2023年网络犯罪报告》，网络犯罪造成的损失总计125亿美元，比2022年增加了20%（联邦调查局，2023年）。这一上升趋势凸显了网络威胁对金融的影响不断升级
大语言模型（LLMs）在多个领域，包括网络安全，展现出潜力。然而，目前缺乏全面、开放的端到端自动化渗透测试基准，以推动进展并评估这些模型的能力。LLM+Agent可以辅助完成人多复杂的任务，漏洞挖掘也不例外。
大模型融合 Agent 挖掘漏洞方面，基于大语言模型（LLM）构建的 Agent 展现出非凡实力，它被赋予了推理、规划、执行以及存储等一系列关键能力。
2.1PentestGPT
- 架构组成：包括推理、生成和解析三个子模块。推理子模块类似团队领导，获取测试结果或意图并准备测试策略；生成子模块类似初级测试人员，将子任务转换为操作命令；解析子模块充当支持接口，处理自然语言信息，还引入了主动反馈机制。
- 技术原理：从现实世界的人类渗透测试团队中汲取灵感，利用LLMs为每个给定的离散状态启发式生成测试指导，通过特定结构持续对测试过程的状态进行编码并引导后续动作，采用cot策略提高测试准确性。
- 应用效果：相比直接使用GPT-3.5和GPT-4等LLMs，应用PentestGPT架构在子任务完成方面有显著提升，能以类似于人类专家的方式分解渗透测试任务，成功实现总体目标。
2.2 AutoGPT
- 架构组成：基于有限状态机（FSM）原理的渗透测试状态机（PSM），将渗透测试任务分解为扫描、选择、侦查、利用、验证五个独立状态，通过LangChain框架实现，包括漏洞扫描、信息收集、命令生成等模块，支持可视化状态跳转。
- 技术原理：利用FSM对任务流进行严格控制，使状态之间有序跳转，以此提高任务执行效率，降低对模型上下文长度的依赖。
- 应用效果：将任务完成率从传统方法的22%提升至41%，执行效率较传统方法提高96.7%，OpenAI API调用成本减少了71.6%，在简单任务中几乎达到100%成功率，在复杂任务中也表现卓越。
3. 技术原理 — 多维度代码扫描：
- 敏感函数追踪：基于危险函数如eval、exec等进行逆向分析，追踪参数传递的路径，以此来发现可能存在漏洞的代码片段。
- 上下文感知分析：结合抽象语法树（AST）与数据流分析，精确判断用户输入是否可控，从而识别出可能存在的注入等漏洞。
- 智能模糊测试：基于遗传算法或强化学习等人工智能算法改进模糊测试。比如基于著名的模糊测试工具AFL++进行改进，引入长短期记忆网络（LSTM）来预测代码分支热度，生成具有高覆盖率的测试用例，更高效地探索程序的输入空间，发现潜在软件漏洞。
- 动态符号执行：采用集成开源框架的方式实现动态符号执行，如集成Angr和KLEE等知名开源框架构建路径约束求解器，对目标程序进行全面的符号化执行，推导各种可能的执行情况，确定触发漏洞的输入条件。
4. 应用表现
- 安几天鉴漏洞挖掘引擎：安几科技依托DeepSeek大模型结合先进的静态代码分析手段，推出天鉴漏洞挖掘系统。在2025年春节期间成功挖掘出包括CVE-2025–1171、CVE-2025–1170等多个漏洞。NIST SAMATE基准测试结果显示，其误报率仅为2.7%，CWE Top25漏洞检出率高达94.8%，超大型代码库平均扫描耗时仅为4.2小时。
- 万径安全“万径千机”平台：万径安全旗下的网络安全智能体平台“万径千机”接入DeepSeek，完成对DeepSeek — R1和DeepSeek — V3大模型的集成。能够精确定位到潜在的漏洞并提供有效的修复建议，在对金融行业的案例中，成功识别出了多处可能的安全漏洞，并及时给出了相应的修补建议。
