pity11/cloud-native-agent-security-lab

# Cloud-Native Agent Security Learning Lab 面向 2027 年研究生申请的公开学习与实验仓库。长期定位是： 当前阶段不是研究模型训练，也不把提示词防御作为唯一安全边界。提示注入、传统 Web 漏洞、恶意工具和供应链污染被视为 Agent 失陷入口；主要关注失陷后能做什么，以及基础设施能否限制影响。 ## 2027 年 3 月验收目标 1. 能独立阅读、修改、测试和排错一个 Python Web/Agent 服务。 2. 能部署和排查本地 Kubernetes 服务，并解释核心资源及安全机制。 3. 完成一个具有攻击—防护对照实验的云原生 Agent 安全平台。 4. 形成可供导师复现的代码、威胁模型、实验报告和 10 分钟演示。 详细时间表见 [执行路线](docs/roadmap.md)，项目设计见 [旗舰项目蓝图](docs/flagship-project.md)。原有能力树保留在 [个人知识体系与技能路线](个人知识体系与技能路线_2026.md)。 ## 学习证据规则 | 等级 | 含义 | 最低证据 | |---|---|---| | L0 | 听说过 | 能识别术语 | | L1 | 理解 | 脱离原文解释机制和边界 | | L2 | 复现 | 按资料在授权环境完成实验 | | L3 | 独立 | 面对同类陌生任务能自行完成 | | L4 | 迁移/研究 | 能构造变体、实现防护并评价局限 | 笔记数量、成功运行 AI 生成的脚本或复制命令不单独构成掌握证据。证据必须包含可复现环境、独立分析、失败记录、修复或防护和回归测试。 ## AI 使用协议 1. 新题或新故障的前 30–45 分钟独立分析。 2. 先记录技术栈、资产、输入、数据流、权限边界和至少三个假设。 3. 卡住后先向 AI 请求提示、反例或排查方向，不直接索要完整答案。 4. AI 生成的关键代码必须能够解释、修改、测试和调试。 5. 完成后 24–72 小时内进行一次冷复现或条件变体实验。 ## 仓库布局 . ├── README.md ├── docs/ │ ├── roadmap.md │ ├── flagship-project.md │ └── weekly-review-template.md ├── labs/ # macOS、Ubuntu、Kali 与后续基础实验 ├── projects/ # 可运行项目；不放只有笔记的目录 ├── evidence/ # 脱敏后的实验结果、图表和复现记录 ├── 个人知识体系与技能路线_2026.md └── .gitignore 旗舰项目实现时将逐步增加 `services/`、`runners/`、`deploy/`、`tests/` 与 `.github/workflows/`。不提前创建没有内容的目录。 ## 安全与公开边界 - 所有攻击仅用于本地靶场、CTF 或明确授权环境。 - 不提交云密钥、Cookie、Token、Kubeconfig、SSH 私钥、真实个人数据或未授权目标信息。 - 不提交仍存活比赛目标、Flag 或可识别第三方的原始证据。 - 默认使用隔离网络和测试凭据；危险实验必须提供停止、清理和恢复步骤。 - 公共报告保留复现所需证据，但对 IP、用户名、密钥和本机路径进行脱敏。 ## 当前状态 - 已有 Web CTF、靶机攻击链、Linux/Kali 工具和基础 Docker 经验。 - Kubernetes、云 IAM 和 Agent 系统安全尚未形成实操体系。 - 当前优先级：Python 工程能力、Linux/网络心智模型、现代 Web/API 授权和 Docker 可复现环境。

标签：AI Agent安全, Web安全, 子域名突变, 学习路线图, 安全实验, 蓝队分析, 请求拦截, 逆向工具