Christbowel/siphon

## 什么是 SIPHON？ 大多数安全工具要么是只会用误报淹没你的傻瓜扫描器，要么是基于云的 AI 包装器，会将你的目标数据发送到第三方服务器。 SIPHON 两者都不是。 SIPHON 是一个完全自主的漏洞猎杀代理，**在测试之前会先思考**。它完全在你的机器上运行，在一个隔离的 Docker 容器内。你的目标 URL、你的发现、你的侦察数据——这些都不会离开你的网络。没有 OpenAI。没有 Anthropic。没有 API 密钥。没有订阅。 你用一个命令启动它。SIPHON 像真正的浏览器一样抓取目标，捕获每一个 API 调用和 POST 主体，然后让本地 LLM 对其发现进行推理——形成假设、建模服务器行为、测试业务逻辑——就像经验丰富的渗透测试员思考目标那样。同时，专门的扫描器覆盖技术攻击面。每一个发现都会在到达你手中之前得到验证。没有噪音。没有浪费时间。 结果：一份你真正可以提交的报告。 ``` $ ./start.sh https://target.com ███████╗██╗██████╗ ██╗ ██╗ ██████╗ ███╗ ██╗ ... Target : https://target.com Model : qwen2.5-coder:7b (local) Mode : Dual-Track (Reasoning + Scripts) Phase 1 Fingerprinting Stack: Spring · WAF: none Phase 2 Cartography 127 endpoints · 43 API calls · 12 params Phase 3 Hunt Track A ▶ /api/v1/orders reasoning engine Track B ▶ 6 scanners running sqli · xss · idor · ... 🔴 [HIGH] IDOR on /api/v1/orders/{id} confidence: 0.92 🟡 [MEDIUM] Missing security header confidence: 1.00 Hunt complete 2 confirmed · 0 false positives · reports in ./reports/ ``` ## 主要功能

### 🧠 会思考，而不只是扫描 Track A 使用本地 LLM 对服务器进行建模，识别信任假设，并测试假设。它在尝试破坏端点之前，先理解端点*做*什么。而不是盲目地向参数投放载荷。	### 🔗 跨端点记忆 SIPHON 在运行过程中构建整个应用程序的心智模型。在 `/api/profile` 上发现的用户 ID 会在 `/api/orders`、`/api/payments` 以及其他任何地方进行测试。大多数扫描器永远无法建立这种联系。
### 📡 捕获真实流量 Playwright 爬虫拦截浏览器发出的每一个 XHR 调用、API 请求和 POST 主体，而不仅仅是页面上的链接。SIPHON 调查应用程序*实际做*什么，而不是 HTML 中可见的内容。	### ⚡ 精英模块链 确认的发现会输入到链式模块中：盲注、OAuth 深度测试、竞争条件利用、缓存投毒、HTTP 走私。一个发现演变成一条杀伤链。
### 🎯 零误报容忍 每一个发现都会在进入报告之前通过专用验证器。没有将软 404 确认为路径遍历。没有将反射字符串误认为是 XSS。你得到的是真实的发现。	### 🔒 设计上 100% 隐私 容器是网络隔离的。它只能到达目标和你的本地 Ollama 实例，其他一切都受阻。你的侦察、你的发现、你的方法论：全属于你，在你的机器上。

## 工作原理 代理完全在 Docker 容器内运行。它只能到达目标 URL 和你主机上的 Ollama——其他一切都受阻。你永远不需要进入容器；结果直接流式传输到你的终端，报告生成在你机器上的 `./reports/` 中。 ``` Your terminal Docker container (isolated) │ │ │ ./start.sh https://target.com │ │────────────────────────────────────────>│ │ │ │ Phase 0 : Auth │ Finds login form, attempts auth │ │ │ Phase 1 : Fingerprinting │ Stack, WAF, endpoints │ │ │ Phase 2 : Cartography │ Playwright browser crawl │ Captures XHR, API calls, POST bodies │ │ │ Phase 3 : Hunt (parallel) │ ┌───────────────┴───────────────┐ │ Track A Track B │ LLM reasoning Script scanners │ Hypothesis testing SQLi, XSS, IDOR │ Business logic Mass assignment │ Cross-endpoint memory Cache poisoning │ └───────────────┬───────────────┘ │ │ │ Phase 4-6 : Chain, Validate, Report │ │ │ <── findings stream in real time ──────│ │ <── reports saved to ./reports/ ───────│ ``` **双轨道引擎** 是 SIPHON 的独特之处： **Track A** 使用本地 LLM，接收每个端点及其真实捕获的请求方法、标头、完整 POST 主体，并像渗透测试员一样对其进行推理。它对服务器做什么进行建模，识别信任假设，形成假设，测试假设，并保持跨端点记忆以发现整个应用程序中的模式。 **Track B** 并行运行专门的 Python 扫描器，每个扫描器专注于特定的漏洞类别，具有专用的载荷和确认逻辑。两条轨道同时运行，结果在保存前进行交叉验证。 ## 为什么选择 SIPHON 而不是其他工具？ | 功能 | SIPHON | CAI | PentestGPT | Nuclei | |---|:---:|:---:|:---:|:---:| | 完全本地，无 API 密钥 | ✅ | ❌ | ❌ | ✅ | | LLM 推理引擎 | ✅ | ✅ | ✅ | ❌ | | 完全自主 | ✅ | 部分 | ❌ | ✅ | | 一键启动 | ✅ | ❌ | ❌ | ✅ | | 假设驱动测试 | ✅ | ❌ | ❌ | ❌ | | 业务逻辑检测 | ✅ | 部分 | 部分 | ❌ | | 跨端点记忆 | ✅ | ❌ | ❌ | ❌ | | POST 主体捕获 | ✅ | ❌ | ❌ | ❌ | | 误报验证 | ✅ | 部分 | ❌ | ❌ | | 可提交的报告 | ✅ | ❌ | 部分 | ❌ | ## 架构 ``` ┌─────────────────────────────────────┐ │ SIPHON │ └──────────────┬──────────────────────┘ │ ┌────────────────────┼────────────────────┐ ▼ ▼ ▼ ┌─────────────┐ ┌───────────────┐ ┌──────────────┐ │ Phase 0 │ │ Phase 1-2 │ │ Phase 3 │ │ Auth │ │ Fingerprint │ │ Hunt │ │ (optional) │ │ Cartography │ │ Dual-Track │ └─────────────┘ └───────────────┘ └──────┬───────┘ │ ┌──────────────┴──────────────┐ ▼ ▼ ┌─────────────────┐ ┌──────────────────┐ │ TRACK A │ │ TRACK B │ │ LLM Reasoning │ │ Script Scanners │ │ │ │ │ │ • Hypothesis │ │ • IDOR / BOLA │ │ formation │ │ • SQLi │ │ • Cross-ep. │ │ • XSS │ │ memory │ │ • Auth bypass │ │ • Business │ │ • Mass assign. │ │ logic testing │ │ • Cache poison. │ └────────┬────────┘ └────────┬─────────┘ └──────────┬────────────────┘ ▼ ┌─────────────────┐ │ Validation │ │ (anti-FP) │ └────────┬────────┘ ▼ ┌─────────────────┐ │ Reports │ │ Markdown · PDF │ └─────────────────┘ ``` ## 前置条件 - Linux（推荐 Kali, Parrot, Ubuntu 或 Debian） - [Docker](https://docs.docker.com/get-docker/) + Docker Compose - 最低 8GB RAM（大型模型推荐 16GB） - 仅首次设置需要互联网连接 如果尚未安装，Ollama 将自动安装。 ## 安装说明 **步骤 1 克隆** ``` git clone https://github.com/Christbowel/siphon.git cd siphon ``` **步骤 2 一次性设置** ``` chmod +x install.sh ./install.sh ``` 如果缺失则安装 Ollama，拉取默认模型，构建 Docker 镜像，创建 reports 目录。运行一次。 **步骤 3 复制配置** ``` cp config/config.example.yaml config/config.yaml ``` 默认配置开箱即用。仅当你想更改模型或抓取设置时才需编辑。 ## 运行 SIPHON **未认证扫描** ``` ./start.sh https://target.com ``` **针对本地测试目标 (DVWA)** ``` ./dvwa.sh ``` 在 Docker 中启动 DVWA 并自动对其启动 SIPHON。适合演示和测试。 **检查栈状态** ``` ./start.sh --status ``` **停止一切** ``` ./start.sh --stop ``` 报告在扫描运行时生成在你主机的 `./reports/` 中——无需进入容器。 ## 配置 ``` local: model: qwen2.5-coder:7b # any model from `ollama list` host: http://host.docker.internal:11434 crawl: use_playwright: true # full browser crawl (recommended) max_pages: 150 max_depth: 4 hunt: max_endpoints: 20 # endpoints Track A investigates max_steps: 4 # LLM steps per endpoint track_a: true track_b: true ``` **支持的模型** | 模型 | RAM | 最适合 | |---|---|---| | `qwen2.5-coder:7b` | 8GB | 默认均衡 | | `mistral:7b` | 8GB | 快速运行 | | `deepseek-coder:6.7b` | 8GB | API 和代码分析 | | `llama3:8b` | 10GB | 强推理能力 | | `qwen2.5-coder:14b` | 16GB | 最佳效果 | ## SIPHON 检测什么 **Track A — LLM 推理引擎** LLM 接收每个端点及其真实捕获的请求，并逐步对其进行推理：建模服务器行为、识别信任假设、形成假设、测试假设、观察结果。它保持跨端点记忆以发现跨越整个应用程序的模式。 `IDOR / BOLA` `身份验证绕过` `权限提升` `业务逻辑` `批量赋值` `竞争条件` `JWT 篡改` `参数污染` `HTTP 动词篡改` **Track B — 脚本扫描器 + 精英模块** 专门的扫描器并行运行，每个专注于特定类别，具有专用载荷和确认逻辑。确认的发现自动链接到精英模块以进行更深入的利用。 `SQLi (报错 · 盲注 · 时间盲注)` `XSS (反射型 · 存储型 · DOM)` `SSRF` `开放重定向链` `敏感文件暴露` `HTTP 走私` `缓存投毒` `原型污染` `OAuth 深度测试` `盲注链` `竞争条件利用` `安全标头分析` ## 报告 ``` reports/ └── target.com_2025-01-15_1430/ ├── 001_idor_high.md ├── 002_auth-bypass_critical.md └── 00_summary.md ``` 每个发现包括：描述、复现步骤、概念验证请求和响应、影响、CVSS 评分和修复建议。可直接粘贴到 HackerOne 或 Bugcrowd。 ## 负责任的使用 SIPHON 仅用于授权的安全测试。仅对你拥有的目标、活跃的漏洞赏金计划范围内的目标，或像 DVWA、HackTheBox 或 TryHackMe 这样有意设为脆弱的环境运行它。 切勿在没有明确书面授权的系统上运行 SIPHON。你对如何使用此工具负全部责任。 有关负责任的披露政策，请参阅 [SECURITY.md](SECURITY.md)。 ## 贡献 欢迎 PR。关于如何添加扫描器模块、改进提示词或修复错误，请参阅 [CONTRIBUTING.md](CONTRIBUTING.md)。 贡献最有用的领域：新的 Track B 模块、针对特定模型的更好提示词、WAF 绕过技术、web3 支持。

标签：AI安全, AI风险缓解, Chat Copilot, CISA项目, DLL 劫持, Docker, LLM评估, Ollama, Python, Web安全, 双重引擎, 大语言模型, 安全防御评估, 密码管理, 无API密钥, 无后门, 本地LLM, 特征检测, 网络安全, 网络安全, 自动化攻击, 自动漏洞检测, 蓝队分析, 请求拦截, 逆向工具, 防御加固, 隐私保护, 隐私保护