Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
sec-af — AI-nativer Code-Sicherheitsauditor auf AgentField, der die Ausnutzbarkeit mit Urteilen, Spuren und handlungsrelevanten Beweisen nachweist. | Kitploit
Tools/GitHubGitHub/agent-field/sec-af
Statische AnalyseSchwachstellenscannerCode-AnalyseExploitationWebsicherheitPenetrationstestsDevSecOpsSecret-ErkennungLieferkettensicherheitKI-Sicherheit
GitHub
1944146vor 5 TagenVon Kitploit geprüft
agent-field/sec-af

sec-af

AI-nativer Code-Sicherheitsauditor auf AgentField, der die Ausnutzbarkeit mit Urteilen, Spuren und handlungsrelevanten Beweisen nachweist.

Repository anzeigenWebseite
Teilen

SEC-AF

KI-nativer Security-Auditor auf Basis von AgentField

Apache 2.0 Python Built with AgentField Deploy on Railway More from Agent-Field

Ausgabe • Benchmark • Funktionsweise • Vergleich • Schnellstart • API

Andere Tools markieren Muster. SEC-AF beweist Ausnutzbarkeit: Jeder Befund wird mit einem Urteil, einem Datenfluss-Trace und verwertbaren Belegen geliefert. Kostenlos, Open Source, ein einziger API-Aufruf. Ein vollständiges Audit mit 30 verifizierten Befunden kostet etwa 1,40 $ an LLM-Aufrufen.

SEC-AF — KI-nativer Security-Auditor

One-Call-DX

Starten Sie es mit der af-CLI (erfordert af ≥ 0.1.87) — sie streamt den Live-Fortschritt und gibt das Ergebnis aus:

af call sec-af.audit --in '{"repo_url": "https://github.com/dolevf/Damn-Vulnerable-GraphQL-Application"}'

Bevorzugen Sie rohes HTTP? Rufen Sie die API direkt mit curl auf:

curl -X POST http://localhost:8080/api/v1/execute/async/sec-af.audit \
  -H "Content-Type: application/json" \
  -d '{"input": {"repo_url": "https://github.com/dolevf/Damn-Vulnerable-GraphQL-Application"}}'

Was Sie zurückbekommen

Dies ist ein echter Fund aus dem SEC-AF-Audit von DVGA (einer absichtlich verwundbaren GraphQL-App):

{
  "title": "OS Command Injection in run_cmd Helper Function",
  "severity": "critical",
  "verdict": "confirmed",           // not "maybe" — confirmed exploitable
  "evidence_level": 5,
  "cwe_id": "CWE-78",

  "rationale": "Tracer confirms complete data flow from GraphQL parameters
    (host, port, path, scheme, cmd, arg) to os.popen(cmd).read() sink.
    Sanitization functions are bypassable in Easy mode...",

  "proof": {
    "verification_method": "composite_subagent_chain:sast",
    "data_flow_trace": [
      { "description": "core/views.py:203 — GraphQL args defined (host, port, path, scheme)", "tainted": true },
      { "description": "core/views.py:210 — URL constructed from user input", "tainted": true },
      { "description": "core/views.py:211 — helpers.run_cmd(f'curl {url}') called", "tainted": true },
      { "description": "core/helpers.py:9 — os.popen(cmd).read() executes input", "tainted": true }
    ]
  },

  "location": {
    "file_path": "core/helpers.py",
    "start_line": 9,
    "code_snippet": "def run_cmd(cmd):\n  return os.popen(cmd).read()"
  }
}

Jeder Befund enthält ein Urteil (confirmed / likely / inconclusive / not_exploitable), ein Beweisobjekt mit dem vollständigen Taint-Trace und die exakte Codestelle. Nicht „das könnte ein Problem sein.“ SEC-AF verfolgt Daten von der Quelle bis zur Senke und beweist, ob sie tatsächlich ausnutzbar sind.

Vollständige Benchmark-Ausgabe (30 Befunde): exampl/dvga-benchmark-result.json | Leistungsanalyse: exampl/benchmark-analysis.json

Benchmark: DVGA

Wir führen SEC-AF gegen die Damn Vulnerable GraphQL Application aus, eine absichtlich verwundbare App mit 21 dokumentierten Sicherheitsszenarien.

MetrikWert
Entdeckte Rohbefunde106
Nach KI-Deduplizierung61
Nach adversarialer Verifikation28 bestätigt
Unschlüssig (manuelle Prüfung erforderlich)1
Nicht ausnutzbar (korrekt zurückgewiesen)1
Rauschreduktion94%
DAG-Kanten (Reasoner-Aufrufe)82
Agenten-Aufrufe~166–255
Ausgeführte Strategien11
Wanduhrzeit~78 min
Geschätzte Kosten (Kimi K2.5)~$0.18–$0.90
Aufschlüsselung: 30 verifizierte Befunde nach Kategorie
KategorieAnzahlBeispiele
Fehlende Authentifizierung8ImportPaste, delete_all_pastes, system_debug, CreateUser, Datei-Upload
Command Injection4os.popen(cmd) über ImportPaste, system_debug, system_diagnostics
SQL Injection3Unsanitisierter filter in resolve_pastes, LIKE-Muster-Injection, Login
Authentifizierungs-Bypass3JWT-Signatur deaktiviert, JWT-Autorisierungs-Bypass, fehlerhafte Passwort-Authentifizierung
Klartext-Anmeldedaten3Klartext-Passwortspeicherung, Klartext-Vergleich, Passwort in Diagnose
SSRF2ImportPaste-Mutation folgt benutzerseitig bereitgestellten URLs serverseitig
Geschäftslogik / URL-Sanitisierung2Unzureichende URL-Sanitisierung, nicht authentifizierte Massenlöschung
DoS / Ressourcenerschöpfung3Fehlende Paginierung bei users/audits-Abfragen, unkontrolliertes simulate_load
Konfiguration / Secrets2Fest codierte JWT/Flask-Secrets, Debug-Modus in Produktion aktiviert
Designmuster: Wie KI-native Sicherheitsanalyse funktioniert

SEC-AF wendet mehrere Architekturmuster an, die erst durch die Komposition vieler fokussierter KI-Agenten anstelle eines einzigen monolithischen Scans ermöglicht werden. Diese Muster adressieren grundlegende Herausforderungen der KI-gesteuerten Sicherheitsanalyse.

1. Spannung zwischen gegnerischen Agenten (JAGEN vs. BEWEISEN)

Die meisten KI-Sicherheitstools fragen ein einzelnes Modell „ist das verwundbar?“ und akzeptieren die Antwort. SEC-AF trennt strukturell die Befund-Agenten von den Widerlegungs-Agenten. Jäger werden dafür belohnt, Schwachstellen zu finden; Beweiser werden dafür belohnt, sie zu widerlegen. Jeder Befund durchläuft eine Verifikationskette aus 4 Agenten — ein Tracer rekonstruiert den Datenfluss, ein Sanitisierungsanalysator sucht nach Gegenmaßnahmen, die der Jäger übersehen haben könnte, ein Exploit-Hypothesierer konstruiert ein konkretes Angriffsszenario, und ein Urteilsagent wägt alle widersprüchlichen Beweise ab. Diese adversariale Spannung zwischen den Agenten ist es, die die 94%ige Rauschreduktion bewirkt — die Architektur selbst kodiert Skepsis.

2. Signalkaskade mit progressiver Verengung

Anstatt alle Befunde auf den Benutzer abzuladen, komprimiert die Pipeline das Signal in jeder Phase: 106 Rohbefunde → 61 nach KI-Deduplizierung → 30 nach adversarialer Verifikation. Jede Phase ist ein Filter. Dies spiegelt wider, wie menschliche Sicherheitsteams triagieren — zuerst breite Entdeckung, dann zunehmend strengere Prüfung. Die zentrale Erkenntnis ist, dass jeder Filter eine andere Art von KI-Schlussfolgerung darstellt: semantische Ähnlichkeit für Deduplizierung, Taint-Analyse für Verifikation, Exploit-Konstruktion für Bestätigung.

3. Informationsökonomie durch Kontext-Beschneidung

Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    509
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    469
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    343
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    310
  • 5

    opencti

    opencti-platform/opencti

    Offene Plattform für Cyber-Bedrohungsinformationen

    306
  • 6

    estorides

    grisuno/estorides

    Aggregiert 99+ kostenlose OSINT-Quellen parallel, löst Entitäten in einen Knowledge Graph auf und exportiert STIX 2.1, MISP oder GraphML mit LLM-gestützter Analyse.

    301

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →