Vulnhuntr： 利用 LLM 和静态代码分析查找可利用漏洞的工具

在当今不断变化的网络安全环境中，识别代码库中的漏洞对于维护软件和基础设施的安全至关重要。Vulnhuntr 是 GitHub 上的一款开源工具，它利用大型语言模型（LLM）和静态代码分析来识别基于 Python 的项目中可被远程利用的漏洞。Vulnhuntr 设计简洁、功能强大，在智能自动化和深度代码分析之间架起了一座桥梁，是开发人员、安全专业人员和企业的宝贵资源。

Vulnhuntr 如何工作

Vulnhuntr 采用独特的多阶段方法进行漏洞检测：

1. LLM 驱动的 README 分析： LLM 首先分析项目的 README 文件，了解代码库的功能和潜在漏洞。这些信息将用于指导后续分析。
2. 初始代码扫描： LLM 对整个代码库进行初步扫描，根据其对安全编码实践和常见漏洞模式的理解标记潜在漏洞。
3. 上下文深度挖掘： 对于每个潜在漏洞，Vulnhuntr 都会向 LLM 提供特定的漏洞提示，从而触发更深入的分析。LLM 会从相关文件中智能地请求额外的上下文，追踪从用户输入到服务器端处理的数据流。这样，它就能识别跨越多个文件和功能的漏洞。
4. 全面的漏洞报告： Vulnhuntr 会生成一份详细报告，概述其发现。该报告包括

• 每个文件的初始评估结果
• 包含上下文函数和类引用的二次评估结果
• 每个漏洞的可信度分数
• 分析过程日志
• 对已验证漏洞的概念验证 (PoC) 利用

库中发现的漏洞示例

在最近的扫描中，Vulnhuntr 发现了多个知名项目中的漏洞，展示了其有效性：

• gpt_academic (64k stars)： LFI、XSS
• ComfyUI（5 万颗星）： XSS
• FastChat（3.5 万颗星）： SSRF
• REDACTED (29k stars)： RCE、IDOR
• Ragflow (16k stars)： RCE

这些发现说明了 Vulnhuntr 能够检测的漏洞类型的多样性，从学术研究工具中的 LFI 到机器学习项目中的 RCE。

局限性

虽然 Vulnhuntr 代表了漏洞扫描领域的一大进步，但它也有一些局限性：

• 支持 Python： 目前，该工具仅支持 Python 代码库。
• 漏洞类别： Vulnhuntr 可识别一组特定的漏洞类别，包括 LFI、AFO、RCE、XSS、SQLI、SSRF 和 IDOR。

结论

通过将 LLM 与静态代码分析相结合，Vulnhuntr 为漏洞检测带来了一种全新的方法，既能提供高级分析，又能提供深入的见解。Vulnhuntr 能够从代码库的相关部分动态请求上下文，确保全面覆盖，而其最终分析与 PoC 漏洞利用和置信度评分为开发人员和安全团队提供了可操作的信息。