: continue req_elem = item.find('.//request') resp_elem = item.find('.//response') if req_elem is None or resp_elem is None: continue req_bytes = base64.b64decode(req_elem.text) if req_elem.get('base64') == 'true' else req_elem.text.encode() resp_bytes = base64.b64decode(resp_elem.text) if resp_elem.get('base64') == 'true' else resp_elem.text.encode() items.append({ 'url': url, 'method': req_bytes.split(b' ')[0].decode(), 'request': req_bytes.decode('utf-8', errors='ignore')[:3000], # 截断 'response': resp_bytes.decode('utf-8', errors='ignore')[:3000] }) return items
</code></pre></div>
<p><strong>第三步：AI批量分析</strong></p>
<p>把预处理后的流量分批发给AI，每批10-20条请求（取决于token限制）。Prompt设计是关键：</p>
<div class=)
你是一名资深渗透测试工程师，擅长发现越权漏洞（IDOR）。现在给你一组HTTP请求和响应，请逐一分析，找出可能存在越权风险的接口。
分析标准：1. 请求参数中是否包含身份标识（如userId、uid、orderId、cardId等）？参数值是否可预测（纯数字、简单递增）？2. 请求中是否有身份认证信息（Cookie、Authorization头）？如果同一个用户对不同的资源ID请求，响应中包含不同的用户数据，可能存在水平越权。3. 如果某个接口看起来应该只有管理员才能访问（如/admin/、/manage/），但普通用户的请求也能成功，可能存在垂直越权。4. 响应内容中是否包含明文敏感信息（身份证、手机号、家庭住址、密码）？
请用JSON格式返回分析结果，每条潜在漏洞包含以下字段：- url: 请求URL- method: HTTP方法- risk: 风险评估（高危/中危/低危/无风险）- analysis: 分析说明- suggestion: 测试建议（如“替换uid参数为1001尝试获取其他用户数据”）
输入数据：{requests_data}
调用AI API：
import requests
def analyze_traffic(requests_list): prompt = build_prompt(requests_list) # 构建完整Prompt response = requests.post( 'https://api.deepseek.com/v1/chat/completions', # 可换成Ollama本地接口 headers={'Authorization': 'Bearer sk-xxx'}, json={ 'model': 'deepseek-chat', 'messages': [{'role': 'user', 'content': prompt}], 'temperature': 0.1, 'response_format': {'type': 'json_object'} }, timeout=120 ) return response.json()['choices'][0]['message']['content']
脚本跑完后，把AI返回的JSON汇总，按风险等级排序输出。我用这套流程分析一个中型电商站点的6000条流量，AI标出了23条疑似越权，人工验证后确认12条真实漏洞，耗时不到40分钟。换做手工，至少两个下午。
四、真实案例：AI怎么找到我漏掉的越权
某次SRC测试一个在线教育平台，我手工翻了半天API，只找到一个学生查看自己成绩的越权（改studentId可看他人成绩），中危。后来我把当天Burp导出的所有流量扔进AI，它额外揪出了三个我漏掉的洞：
- 水平越权：查看他人合同 — 接口
/api/contract/preview?contractId=550e8400-e29b-41d4-a716，contractId是个UUID。手工测到UUID通常就放弃了，觉得不可遍历。但AI指出这个UUID在另一个接口/api/course/list的响应中以course.contractId的形式返回，而且courseId是可遍历的数字。AI建议“先遍历courseId获取所有contractId，再逐一遍历合同内容”。一套组合拳打出高危，赏金4000元。 - 垂直越权：普通用户调用管理员接口 — 接口
/api/admin/setScore，我手工看URL里有admin就以为做了权限控制，没去试。但AI注意到这个请求的Cookie是一个普通学生账号的Session，且请求体中userId和score参数都与Cookie所属账号不一致，判定可能为垂直越权。我手动验证：把学生Cookie放到管理员接口上请求，成功修改了任意学生的成绩，高危，赏金5000元。 - 批量越权：遍历手机号获取全量用户 — 接口
/api/user/search?keyword=138，返回包含手机号匹配的前10条用户简要信息。AI分析说：“keyword参数无限制，且响应包含手机号和用户ID，可与前面的越权接口联动，批量获取全站用户数据”。我写了个脚本遍历138-139号段，拖出6万多用户数据，严重漏洞，赏金8000元。
这一轮下来，AI帮我多赚了17000元，而成本只是几千个token的API费用，几毛钱。
五、AI vs Autorize：到底谁更强？
Autorize（及AutorizePro）是Burp的经典越权检测插件。它的工作方式：让你配置高权限和低权限两个账号的Cookie/Token，然后对每个请求自动复制一份，替换为低权限凭证重放，对比两次响应。如果响应相似（或完全一致），就标记为疑似越权。
Autorize的优势在于实时性和自动化，但局限性也很明显：
- 只能发现“两个不同权限用户看到相同数据”的情况。如果返回数据不同但都是敏感信息（如A看到张三，B看到李四），Autorize可能漏报。
- 无法处理复杂参数：UUID、哈希串、签名参数，Autorize不会自动构造。
- 无法理解业务上下文：它不知道哪个参数是用户ID，只能靠正则匹配。
AI的优势恰好弥补了这些缺陷：它能理解UUID、JWT、Base64，能从响应语义判断是否泄露了另一个用户的数据，还能给出具体的越权测试方案。AI的劣势是成本、延迟和隐私风险（流量上传到云端）。
最佳实践：先用Autorize粗筛，把“响应相同”的高可能接口标出来；再把Autorize标出的可疑接口导出，丢给AI做深度分析。 这样既利用了Autorize的速度，又发挥了AI的语义能力。
六、注意事项：隐私、成本、幻觉
- 隐私风险：Burp流量里包含认证Cookie、个人信息、业务数据。如果你用云端API（如DeepSeek、OpenAI），等于把所有敏感数据都传给了模型厂商。建议两个方案：①使用本地部署的模型（如Ollama + Qwen/DeepSeek-Coder），数据不出本机；②对流量做脱敏处理，把Cookie值替换为占位符，把手机号/身份证替换为假数据，再发给AI。
- 成本控制：一次分析几千条请求，token消耗可能达到几十万。建议过滤掉静态资源和重复请求，只发送URL+参数+响应摘要，而不是完整响应体。
- 幻觉问题：AI有时会“脑补”不存在的越权场景，比如把正常的分页参数误判为ID。所有AI标记的漏洞，必须手工验证。我的做法是让AI输出“建议的测试Payload”，然后手工在Burp Repeater里验证，确认危害后再写报告。
- Prompt优化：越权分析的质量严重依赖Prompt设计。建议把你自己的越权测试经验整理成规则，注入到Prompt中。例如：“如果参数名包含uid、userId、memberId，且值为纯数字，则极有可能是越权入口。”
七、写在最后
把Burp流量扔给AI自动找越权，不是什么黑科技，就是把“人类逐条看流量”这个重复劳动用AI替代了。逻辑还是那些逻辑——看参数、看权限、看响应——但AI不会累、不会漏、不会因为UUID太长而跳过。
我用了三个月，越权漏洞的发现量翻了一倍多，赏金也水涨船高。如果你还在手工一条条审流量，不妨花一个下午把这套流水线搭起来。测试一下你家SRC的目标，你可能发现，那些藏在UUID和复杂业务逻辑里的越权，AI一个都没放过。
严正声明：本文所有技术均用于合法授权的安全测试，所有案例均已脱敏。未经授权将流量上传至第三方AI服务可能导致数据泄露，请自行评估合规风险。建议使用本地模型处理敏感流量。越权漏洞挖掘必须在授权范围内进行，未授权测试属违法行为。
评论