🛡️ anve-offsec

开源自主 AI 安全工程师与漏洞赏金平台

自主评估 Web 应用程序漏洞 • 生成有据可查的安全报告 • 集成浏览器自动化与主动扫描

## ⚡ `anve-offsec` 的功能 **`anve-offsec`** 是一个开源的自主 AI 安全工程平台，**自豪地在印度研发 🇮🇳**。专为安全团队、研究人员和漏洞赏金运营者设计，它提供三大主要功能： - 🎯 **自主评估 Web 应用程序**：发现攻击面，识别 Web 和基础设施漏洞，并运行端到端的安全评估，无需人工干预。 - 📋 **生成结构化安全报告**：输出适用于高管和平台且随时可用的 Markdown/JSON 报告，包含完整的 CVSS 向量、CWE 映射、分步复现说明和概念验证证据。 - 🔍 **通过多模态推理验证发现结果**：结合 headless 浏览器自动化、主动工具扫描和 AI 推理循环来验证漏洞并最大限度地减少误报。 ## 🔄 自主 AI 评估工作流 `anve-offsec` 遵循结构化的 8 阶段评估流水线，引导 AI agent 从初始目标输入走向最终报告输出： ``` graph TD Target([🎯 Authorized Target Scope]) --> Recon[📡 1. Target Reconnaissance] Recon --> Browser[🌐 2. Browser Exploration & Crawling] Browser --> Planning[🧠 3. Attack Planning & Vector RAG] Planning --> Testing[⚡ 4. Active Security Testing] Testing --> Verification[🛡️ 5. Verification & PoC Validation] Verification --> Evidence[📸 6. Evidence Collection] Evidence --> Scoring[📊 7. CVSS 4.0 Risk Scoring] Scoring --> Report[📄 8. Professional Report Generation] ```

查看基于文本的评估生命周期

``` Target URL / IP Scope ↓ 1. Reconnaissance (Port Scanning & Tech Fingerprinting) ↓ 2. Browser Exploration (DOM Navigation & SPA Crawling) ↓ 3. Attack Planning (Strategy Formulation & Qdrant RAG) ↓ 4. Active Testing (Vulnerability Assessment) ↓ 5. Verification (PoC Execution & False Positive Filtering) ↓ 6. Evidence Collection (HTTP Traces & Loot Storage) ↓ 7. Risk Scoring (CVSS 4.0 Vectors & CWE Mappings) ↓ 8. Professional Report (Executive & Platform Submissions) ```

### 🏗️ 底层架构 在底层，`anve-offsec` 使用有状态的、多容器的基础设施来支持这些功能： - **Kali Linux 核心容器**：在隔离的沙箱中执行原生安全二进制文件。 - **Hermes AI 推理大脑**：在长达数小时的评估过程中维持有状态的多轮会话持久性。 - **OpenClaw Chromium 网关**：处理身份验证表单、SPA 抓取和 DOM 交互。 - **Qdrant 向量记忆库**：索引历史攻击策略以实现持续的自我进化。 ## 🎬 运行展示 ``` ┌──(pentest㉿anve-offsec)-[/work] └─$ ./scripts/hermes.sh --task "Run a full bug bounty assessment on http://dvwa:8080" [🧠 Hermes Reasoning Engine] Analyzing target http://dvwa:8080... [+] Initializing Recon Phase: Fingerprinting PHP/Apache stack... [+] Invoking OpenClaw Chromium Gateway for authentication flow... [+] Discovered endpoint: /vulnerabilities/sqli/ (SQL Injection) [+] Crafting dynamic exploit payload: 1' OR '1'='1 ... [+] Exploit Verified! Dumping database schema to /work/loot/sqli_dump.json [+] Ingesting successful payload into Qdrant Vector Memory RAG... [+] PHASE_COMPLETE: Recon -> Scan -> Exploit -> Report (Time: 7m 42s) ``` ## 📚 多页技术文档索引 浏览 [`docs/`](docs/) 中的完整子文档系统： - 🏗️ **[架构与微服务规范](docs/ARCHITECTURE.md)** — Sidecar 拓扑、DinD worker、OOB 监听器 (`28000–30000`)。 - 🧠 **[Hermes AI 推理大脑规范](docs/HERMES_BRAIN.md)** — 多轮会话持久性、40 多个 agent prompt、阶段完成信号。 - 🧬 **[自我进化与 Vector RAG 规范](docs/SELF_EVOLUTION.md)** — Qdrant 向量记忆索引、置信度启发式算法 (`0.7`/`0.85`)、策略 prompt 注入。 - 🛡️ **[防御性护栏与安全](docs/GUARDRAILS_SECURITY.md)** — prompt 注入过滤器、破坏性命令拦截、目标范围审计。 - 🔬 **[基准测试案例研究](docs/CASE_STUDIES.md)** — DVWA、Metasploitable2 以及绕过 Auth Wall OpenClaw 的综合执行日志。 - 🤝 **[贡献指南](docs/CONTRIBUTING.md)** — 如何添加新的专用 agent、工具并提交 pull request。 ## ⚡ 前沿基准对比 构建 `anve-offsec` 旨在弥合闭源企业平台与开源性之间的差距。以下是 `anve-offsec` 与定义 AI 网络安全未来的平台的对比情况： | 维度 | 🛡️ `anve-offsec` | 🔮 Anthropic Project Glasswing | 🌐 Horizon3.ai (NodeZero) | ⚡ Pentera | |---|---|---|---|---| | **访问模式** | **100% 开源 (Apache 2.0)** | 闭源前沿研究 | 专有 SaaS | 企业级本地部署/SaaS | | **推理引擎** | **有状态 Hermes LLM + 会话恢复** | 前沿 Claude 网络安全模型 | 专有规则/AI 引擎 | 专有攻击图 | | **执行环境** | **原生 Kali Linux 容器** | 隔离沙箱 | 无 Agent 云端/节点 | 无 Agent 网络探针 | | **自我进化 RAG** | **Qdrant 向量策略记忆** | 模型训练/RLHF | 内部威胁数据 | 静态漏洞数据库 | | **浏览器与认证抓取** | **OpenClaw Chromium 网关** | 多模态 API | 基础 Web 抓取 | 基础 Web 抓取 | | **安全治理** | **Prompt 注入护栏与范围审计** | Constitutional AI | 范围限制 | 范围限制 | | **部署成本** | **免费且自托管** | 仅限企业/研究 | 企业版 ($50k+/年) | 企业版 ($50k+/年) | ## 🚀 快速开始（60 秒上线） ### 1. 一行命令启动 ``` # 克隆 repository git clone https://github.com/ANVEAI/anve-offsec.git && cd anve-offsec # 配置运行时环境 cp .env.example .env && nano .env # 使用 Docker Compose 启动所有 microservices docker compose up -d && ./scripts/setup-openclaw.sh ``` ### 2. 打开控制面板 Dashboard 在浏览器中打开 **`http://127.0.0.1:8000`** 以启动 agent 运行、查看实时 SSE 日志、检查捕获的战利品，并实时注入指令。 ``` # 或直接通过 REST API 触发运行： curl -X POST http://127.0.0.1:8000/api/agents/bug-bounty/run \ -H "Content-Type: application/json" \ -d '{"task":"Run full assessment on http://dvwa:8080"}' ``` ## 🏗️ 系统架构与微服务 Sidecar ``` graph TD Operator([👨‍💻 Security Researcher / Operator]) -->|HTTP / SSE Stream :8000| ControlPlane[📊 FastAPI Control Plane - dashboard/app.py] ControlPlane -->|Orchestrates Runs| Runner[⚙️ Engagement Runner - tools/engagement_runner.py] subgraph Core Platform Microservices Runner -->|Native Terminal Shell| KaliCore[🛡️ Kali Linux Core Container] Runner -->|DinD Container Spawning| DinD[🐳 Docker Socket / var/run/docker.sock] Runner -->|API Web Scanning| ZAPDaemon[⚡ OWASP ZAP Daemon - :8090] Runner -->|Headless DOM Automation| OpenClawGateway[🌐 OpenClaw Chromium - :18789] Runner -->|Vector Strategy RAG| QdrantDB[🧠 Qdrant Vector DB - :6333] Runner -->|Lab VPN Tunneling| OpenVPN[🔒 OpenVPN Client Container] end subgraph Safe Local Testing Sandbox KaliCore -. Authorized Scans .-> DVWA[🧪 DVWA Target - :8080] KaliCore -. Authorized Scans .-> Meta[🧪 Metasploitable2 Target - :8081] end ``` - **DinD Worker 生成**：Kali 核心挂载 `/var/run/docker.sock` 以启动临时子 worker 容器，用于隔离的任务流。 - **OOB 回调监听器 (`28000-30000`)**：动态主机端口分配，用于处理反向 shell 回调、OOB HTTP 验证和盲 SSRF 回调。 ## 🧠 Hermes AI 推理引擎 (`tools/engagement_runner.py`) Hermes 充当 Kali Linux 中的有状态推理大脑。它跨 **40 多个专用 agent 角色** 运行： ``` ┌───────────────────────────┐ │ Hermes Reasoning Brain │ └─────────────┬─────────────┘ │ ┌──────────────────────┬───────────────┴───────────────┬──────────────────────┐ │ │ │ │ ▼ ▼ ▼ ▼ ┌───────────┐ ┌───────────────────┐ ┌───────────────────┐ ┌───────────┐ │ Core Roles│ │ OWASP Specialists │ │ MITRE ATT&CK │ │ Safety │ │ - Recon │ │ - owasp/injection │ │ - initial-access │ │ - adviser │ │ - Web │ │ - owasp/auth │ │ - cred-access │ │ - reflect │ │ - Exploit │ │ - owasp/ssrf │ │ - priv-escalation │ │ - barrier │ │ - Report │ │ - owasp/idor │ │ - lateral-move │ │ (Human) │ └───────────┘ └───────────────────┘ └───────────────────┘ └───────────┘ ``` ## 🧬 自我进化策略 RAG 引擎 (`tools/evolution_engine.py`) 每次测试的结果都会经过处理、嵌入并存储在 **Qdrant Vector DB** 中： ``` [Completed Run] ──► [Scenario Matcher] ──► [Score Strategy] ──► [Qdrant RAG Ingestion] │ ▼ [Next Target] ◄── [Inject Past Lessons] ◄── [Query Vector DB] ◄────────┘ ``` 1. **场景分类**：自动将目标任务分类为结构化场景（`web-app:sql-injection`、`web-app:ssrf`、`api:idor`、`infra:ssh-enum`）。 2. **置信度阈值设置**： - `CONFIDENCE_THRESHOLD = 0.7`：RAG 置信度高于 70% 的策略将被注入到活动的 prompt 中。 - `AUTO_PROMPT_UPDATE_THRESHOLD = 0.85`：置信度高于 85% 的策略会自动更新静态 agent prompt（`config/agents/*.prompt`）。 ## 🛡️ 防御性护栏与安全治理 (`tools/guardrails.py`) `anve-offsec` 包含生产级的安全控制： - **输入护栏**：通过扫描对抗性模式（`ignore previous instructions`、``、``）并解码 base64/Unicode 同形字来防范 prompt 注入。 - **输出护栏**：在 Kali 中执行之前拦截危险的终端命令（`rm -rf /`、`mkfs`、Fork 炸弹、系统关机）。 - **数据泄露拦截**：阻止对敏感主机路径的访问（`/etc/shadow`、`~/.ssh/id_rsa`、`~/.aws/credentials`、`~/.git-credentials`）。 - **目标范围授权框架 (`config/authorized-targets.json`)**：强制执行明确的法律目标范围检查（`lab`、`ctf`、`bug-bounty`、`self`、`client`）。未经批准的目标覆盖需要输入操作员确认，并被审计记录至 `/work/memory/override-log.jsonl`。 ## 🔬 基准测试案例研究 | 基准测试目标 | 指定的 Agent | 自动检测到的漏洞 | 执行时间 | 报告状态 | |---|---|---|---|---| | **DVWA** (`http://dvwa:8080`) | `bug-bounty` | 命令注入、SQLi、LFI、存储型 XSS | **7m 42s** | 已生成 (`/work/loot/dvwa_report.md`) | | **Metasploitable2** (`:8081`) | `recon` + `exploit` | VSFTPD 2.3.4 后门、UnrealIRCd、SSH 枚举 | **11m 15s** | 已生成验证过的 PoC exploit | | **受保护的预发布门户** | `auth-wall` + `openclaw` | 损坏的对象级授权 (BOLA/IDOR) | **14m 20s** | 完整的 API 评估已完成 | ## 🗺️ 项目与平台路线图 - [x] **ANVE OffSec（核心引擎）**：有状态的 Hermes AI 推理大脑 + OpenClaw headless Chromium 浏览器 sidecar。 - [x] **自我进化引擎**：用于在目标运行期间持续学习策略的 Qdrant 向量 RAG 记忆库。 - [x] **实时控制平面**：以实时 SSE 流和运行中操作员干预为特色的 FastAPI Web Dashboard。 - [x] **防御性护栏**：Prompt 注入拦截、破坏性命令阻止以及法律范围审计。 - [ ] **ANVE CodeSec 扩展**：面向 GitHub Actions / GitLab CI 的 AI 静态代码分析器和 SAST 逻辑缺陷检测模块。 - [ ] **ANVE CloudSec 扩展**：跨 AWS IAM、GCP IAM 和 Azure KeyVault 的自主云配置审计 agent。 - [ ] **ANVE SOC 扩展**：AI 驱动的日志分类、SIEM 威胁关联和自动化事件响应 playbook 运行器。 - [ ] **ANVE 攻击模拟器**：用于自动化安全态势验证的持续突破与攻击模拟 (BAS) 模块。 - [ ] **v2.0：完整的基于 AI 操作系统的 GUI 虚拟机 (Kali 原生)**：独立的 Kali Linux ISO 和 OVA 虚拟机设备，内置 AI 桌面控制平面、QEMU/VMware 快照回滚和 GUI 助手窗口。 ## 🌐 附加生态系统与姊妹仓库 虽然 `anve-offsec` 是用于自主进攻性安全的主要旗舰项目，但它与 ANVE AI 生态系统中的互补性 AI 安全工具并存： - 🧱 **[Prompt Sentinel Flow](https://github.com/ANVE-AI/prompt-sentinel-flow)**：开源的 LLM 防火墙和代理层，用于 prompt 注入检测、token 监控和多提供商 AI 模型路由。 ## 🏷️ 相关主题与生态系统关键词 `ai-agents` • `cybersecurity` • `offensive-security` • `bug-bounty` • `kali-linux` • `penetration-testing` • `fastapi` • `qdrant` • `openclaw` • `hermes-llm` • `vector-rag` • `made-in-india` ## ⚠️ 法律免责声明 ## 📜 许可证 该项目基于 **Apache License 2.0** 授权。有关详细信息，请参阅 [LICENSE](LICENSE) 文件。

自豪地在印度制造 🇮🇳 | 为了全球 AI 与网络安全社区，用 ❤️ 构建
如果您觉得 anve-offsec 有用，请在 GitHub 上给我们一个 ⭐️ 以支持持续开发！

标签：AI大模型, AV绕过, Bug Bounty, CISA项目, Docker, FastAPI, 可自定义解析器, 安全防御评估, 版权保护, 自动化渗透测试, 请求拦截, 逆向工具