渗透测试思考MCP
项目介绍
PentestThinkingMCP
这是研究论文的主要和基础实现：
LIMA：利用大型语言模型和MCP服务器进行初始机器访问
该项目作为论文中描述的主要和基本系统，提供了一个实用框架，用于通过大型语言模型（LLMs）与模型上下文协议（MCP）服务器协同工作，自动化初始访问侦察、枚举和利用任务。
研究背景
此仓库是论文《LIMA：利用大型语言模型和MCP服务器进行初始机器访问》中引用的主要代码库。该研究介绍了LIMA，这是一个模块化系统，将现成的LLMs与MCP服务器配对，以自动化渗透测试任务，如侦察、枚举、漏洞评估和利用。项目展示了如何使用LLMs自主推理攻击路径、生成利用程序，并在HackTheBox公共机器和自定义环境中完成初始访问挑战，只需最少的人工干预。
研究亮点：
- 对于某些任务，LIMA比专家测试者快2倍，包括自动解决CAPTCHA和执行攻击链。
- 该系统提供了AI增强型渗透测试在初始访问阶段的第一个定量基准。
- 模块化设计允许轻松集成其他LLMs，用于未来的研究和发展。
更多详情，请参阅全文或本仓库中的摘要。
PentestThinkingMCP是什么？
PentestThinkingMCP 是一个高级模型上下文协议（MCP）服务器，旨在赋能人类和AI渗透测试人员。它提供：
- 使用束搜索和蒙特卡洛树搜索（MCTS）进行自动攻击路径规划
- 分步推理，适用于CTF、Hack The Box（HTB）和现实世界渗透测试
- 攻击步骤评分和优先级排序
- 每一步的工具推荐（例如，nmap、metasploit、linpeas）
- 高亮显示最有希望的利用链的关键路径
- 基于树的推理报告和文档
它为什么特别？
- 将LLMs提升到新的水平：将普通LLM转变为结构化的、有条理的渗透测试计划师和顾问
- 自动化复杂推理：发现多阶段攻击链，而不仅仅是单一利用
- 适用于CTF、HTB和现实世界渗透测试：适应任何需要逐步攻击逻辑的场景
- 弥合AI与黑客之间的差距：使AI成为进攻安全的真实伙伴
特性
- 攻击建模的双搜索策略：
- 可配置宽度的束搜索（用于方法论的利用链发现）
- 复杂决策空间的MCTS（用于具有未知因素的动态攻击场景）
- 证据/漏洞评分和评估
- 基于树的攻击路径分析
- 潜在攻击向量的统计分析
- 符合MCP协议
它是如何工作的？
- 输入： 你（或你的AI）提供当前攻击步骤/状态（例如，“在10.10.10.10上枚举SMB”）。
- 推理： 服务器使用束搜索或MCTS探索可能的下一步骤，对其进行评分和优先级排序。
- 输出： 返回最佳的下一步骤、完整的攻击链、推荐工具，并高亮显示关键路径。
示例工作流程：解决HTB机器
- 侦察：
输入：
attackStep: "从10.10.10.10的初步侦察开始"输出：运行nmap -p- 10.10.10.10（推荐工具：nmap） - 枚举：
输入：
attackStep: "运行nmap -p- 10.10.10.10"输出：在445端口上枚举SMB（推荐工具：enum4linux） - 漏洞分析：
输入：
attackStep: "在445端口上枚举SMB"输出：搜索公开的SMB漏洞（CVE-2017-0144）（推荐工具：searchsploit） - 利用：
输入：
attackStep: "搜索公开的SMB漏洞（CVE-2017-0144）"输出：利用SMB的EternalBlue（CVE-2017-0144）（推荐工具：metasploit） - 权限提升：
输入：
attackStep: "以用户身份获得shell"输出：运行winPEAS进行权限提升检查（推荐工具：winPEAS） - 获取root/flag：
输入：
attackStep: "找到user.txt，需要root"输出：检查AlwaysInstallElevated误配置（推荐工具：手动调查）
安装
git clone https://github.com/ibrahimsaleem/PentestThinkingMCP.git
cd PentestThinkingMCP
npm install
npm run build
使用
- 将其添加到您的MCP客户端（Cursor、Claude Desktop等）作为服务器：
{ "mcpServers": { "pentestthinkingMCP": { "command": "node", "args": ["path/to/pentestthinkingMCP/dist/index.js"] } } } - 通过发送攻击步骤并接收下一步建议、工具建议和攻击路径树来与其交互。
渗透测试的搜索策略
束搜索
- 维护一组最有可能的攻击路径或漏洞链。
- 最适合逐步开发利用程序和匹配已知漏洞模式。
- 最适合：枚举攻击向量、方法论漏洞链接、逻辑利用路径查找。
蒙特卡洛树搜索（MCTS）
- 基于模拟的潜在攻击面探索。
- 平衡新攻击向量的探索和已知弱点的利用。
- 最适合：复杂网络渗透测试、结果不确定的场景、高级持续威胁（APT）模拟。
算法细节
- 攻击向量选择
- 束搜索：评估和排名多个潜在攻击路径或利用链。
- MCTS：使用UCT进行节点选择（潜在利用步骤）和随机展开（模拟攻击进展）。
- 基于以下内容的证据/漏洞评分：
- 利用可能性
- 潜在影响（CIA三元组）
- CVSS分数或其他类似指标
- 攻击链中连接强度（例如，漏洞A启用利用B）
- 过程管理
- 基于树的状态跟踪攻击进展
- 成功/失败模拟攻击路径的统计分析
- 相对于渗透测试目标的进度监控
使用案例
- 自动漏洞识别和链接
- 利用路径查找和优化
- 攻击场景模拟和“假设”分析
- 红队策略开发和改进
- 在手动渗透测试中提供潜在途径的建议
- 复杂攻击向量的决策树探索
- 实现特定渗透测试目标的战略优化（例如，数据外泄、权限提升）
许可证
MIT