Shannon-白盒AI渗透测试工具(Github45.4kstar)"

admin 2026-10-18 18:22:12 网络安全文章 来源:ZONE.CI 全球网 0 阅读模式

cover_image

Shannon - 白盒 AI 渗透测试工具(Github45.4k star)

原创

卡布奇诺的派对
卡布奇诺的派对

卡布奇诺的派对

2026年7月4日 09:20
河南

在小说阅读器读本章

去阅读

*声明:文章内容仅限授权安全测试与学术研究,不得用于任何违法或未授权行为。使用者须自行承担全部法律及连带责任。作者及发布方不承担任何责任。*

不想错过任何消息?设置星标⬆

简介

Shannon 是一款自主运行的白盒 AI 渗透测试工具,适用于 Web 应用程序和 API。
它可以分析源代码,识别攻击路径,并执行真实的漏洞利用程序,从而在漏洞进入生产环境之前验证其有效性。借助 Claude Code 和 Cursor 等工具,您的团队可以持续不断地发布代码。但是,您的渗透测试呢?一年一次。这造成了巨大的安全漏洞。在剩下的 364 天里,您可能在不知不觉中将漏洞部署到生产环境中。

四阶段工作流(全自动):

  1. 侦察 —— 映射完整的攻击面
  2. 漏洞分析 —— 读取并解析源代码
  3. 利用 —— 通过 Playwright 执行基于浏览器的实时攻击
  4. 报告 —— 输出带有可逐步复现步骤的概念验证报告

完整配置(5 分钟):

步骤 1:安装前置条件

Docker(工作容器所需)
Node.js 18+
Anthropic API Key

步骤 2:加入 Anthropic 的网络验证计划(Cyber Verification Program)

访问 http://anthropic.com/security 并申请该计划
免费,Anthropic 会在 2 个工作日内回复
Shannon v1.2.0 现运行于 Claude Opus 4.7,该模型在扫描过程中会对高风险安全请求启用自动拦截。如果未加入 CVP,扫描会在中途被阻断。

步骤 3:一次性配置 Shannon

运行:npx @keygraph/shannon setup
交互式向导会处理你的凭证
仅需一次配置

步骤 4:运行你的第一次渗透测试

npx @keygraph/shannon start -u https://your-app.com -r /path/to/your-repo
首次运行会下载一个约 1GB 的 Docker 镜像
完整扫描耗时约 1 到 1.5 小时

步骤 5:阅读报告

打开:shannon/repos/your-repo/deliverables/
comprehensive_security_assessment_report.md 为完整摘要
每个发现都包含可复现的概念验证步骤及修复建议

重要说明:

  • 仅限授权测试。仅可用于你拥有或已获得书面测试许可的应用。
  • 仅限预发布或沙箱环境。切勿在生产环境运行 —— 因为它会执行真实攻击。
  • Shannon 会将你的源代码发送至 Anthropic 的服务器,不适用于受监管的代码库。
  • 当前版本(v1.2.0)运行于 Claude Opus 4.7。之前 50 美元的估算基于 Claude Sonnet —— 大规模运行前请先查看当前的 Anthropic API 定价,实际成本会更高。
  • 在 XBOW 基准测试中得分为 96.15%(白盒模式,与黑盒结果不具直接可比性)。
  • 时间编排器可处理崩溃并从上一个检查点自动恢复。
  • AGPL-3.0 许可证,可免费自托管。
  • http://github.com/KeygraphHQ/shannon

Shannon-白盒AI渗透测试工具(Github45.4kstar)" 网络安全文章

Shannon-白盒AI渗透测试工具(Github45.4kstar)"

Shannon是一款自主运行的白盒AI渗透测试工具,适用于Web应用和API。它通过四阶段工作流(侦察、漏洞分析、利用、报告)全自动运行,能分析源代码并执行真实攻击。配置需安装Docker、Node.js18+和AnthropicAPIKey,并加入Anthropic的网络验证计划。工具在XBOW基准测试中得分为96.15%,使用AGPL-3.0许可证,可免费自托管。重要限制包括仅限授权测试、发送源代码到Anthropic服务器以及当前版本运行于ClaudeOpus4.7。
藏在图片里的隐形指令可绕开AI的文本安全防线" 网络安全文章

藏在图片里的隐形指令可绕开AI的文本安全防线"

InkJect是一种针对多模态大模型的间接视觉提示注入攻击。攻击者将恶意指令嵌入图片并托管在公开位置,当用户要求模型处理仓库或素材时,模型会自动拉取图片并执行隐藏指令,如创建后门账号。该攻击利用OCR与视觉语言模型的能力鸿沟,通过白色文字或倾斜变形绕过安全检测。当前主流模型如GPT-5.2和Claude系列均存在脆弱性,攻击可规模化且隐蔽性强,对生产环境构成严重威胁。
中国NGO阻挠了美国价值236亿美元的数据中心项目?——一份美国智库报告的深度审视与批判" 网络安全文章

中国NGO阻挠了美国价值236亿美元的数据中心项目?——一份美国智库报告的深度审视与批判"

美国比特币政策研究所报告指控中国关联组织阻挠236亿美元AI数据中心项目,但文章批判其证据链存在逻辑跳跃和利益冲突,将本土环保抗议污名化为外国干预。报告核心论断缺乏直接资金证据,存在选择性取证和夸大金额问题。建议区分真实本土关切与外国影响,避免压制公民权利。
一文读懂EAP:为什么暴露风险评估必须从资产开始?" 网络安全文章

一文读懂EAP:为什么暴露风险评估必须从资产开始?"

本文介绍EAP(暴露评估平台)作为持续暴露管理的新一代安全运营平台,核心目标是从资产发现开始,持续识别互联网、内网、云等环境中的资产与暴露风险,结合资产重要性、外部可达性、漏洞可利用性等上下文进行风险优先级排序,形成发现-识别-排序-分析-处置-验证的持续运营闭环。文章指出企业安全建设痛点在于工具孤岛和转椅问题,建议统一资产、风险和整改口径,结合AI提升能力,从被动响应转向主动暴露管理。
评论:0   参与:  0