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
TRACE — Agentisches Jailbreak-Framework für LLM-basierte Agenten, das schema-basierte Aufgabenzerlegung, mehrstufige Tarnungsstrategien und adaptive Selbstentwicklung nutzt, um neu aufkommende Sicherheitsrisiken zu untersuchen. | Kitploit
Tools/GitHubGitHub/zju-llm-safety/trace
ExploitationScripting & AutomatisierungPenetrationstestsMaschinelles LernenPapers & ForschungRed TeamingKI-SicherheitAdversarial-Angriff
GitHubzju-llm-safety/trace

TRACE

Agentisches Jailbreak-Framework für LLM-basierte Agenten, das schema-basierte Aufgabenzerlegung, mehrstufige Tarnungsstrategien und adaptive Selbstentwicklung nutzt, um neu aufkommende Sicherheitsrisiken zu untersuchen.

412180vor 1 MonatVon Kitploit geprüft
Repository anzeigen
Teilen

TRACE: Aufgabenbewusstes adaptives, selbstentwickelndes agentisches Jailbreaking

Offizielle Implementierung für TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking.

📖 Überblick

Agenten großer Sprachmodelle (LLM) können autonom planen, Werkzeuge aufrufen, mit Umgebungen interagieren und langfristige Workflows ausführen. Dies bringt Sicherheitsrisiken mit sich, die über herkömmliche reine Text-Jailbreaks hinausgehen: Selbst wenn schädliche Anweisungen hervorgerufen werden können, können ausgerichtete Agenten deren Ausführung dennoch verweigern, während Zwischenausführungsfehler einen ansonsten erfolgreichen Angriffsworkflow unterbrechen können.

TRACE ist ein Framework für agentisches Jailbreaking, das diese Herausforderungen durch Aufgabenzerlegung, ausführungsorientierte mehrstufige Interaktion und adaptive Wiederherstellung bewältigen soll.

TRACE besteht aus drei Schlüsselkomponenten:

  • Schema-basierte Aufgabenzerlegung. TRACE entwickelt rund 20 prozedurale Zerlegungsschemata, die Schlüsseloperationen und ihre Abhängigkeiten für verschiedene Aufgabentypen festlegen. Eine komplexe schädliche Aufgabe wird unter verschiedenen Schemata instanziiert, um mehrere Kandidaten-Teilaufgabensequenzen zu erzeugen, die anhand von Schädlichkeit und Ausführungsschwierigkeit bewertet werden.
  • Ausführungsorientierte mehrstufige Interaktion. Für Teilaufgaben, die Ausführungsverweigerungen auslösen, erstellt TRACE strukturierte Teilaufgabenprofile und ruft entsprechende ausführungsorientierte Strategien aus einer sich entwickelnden Strategiebibliothek ab. Jede Strategie legt Zwischenziele, relevante Umgebungszustände und erforderliche Werkzeugaufrufe fest und leitet den Agenten durch mehrstufige Interaktion zur Erledigung der Teilaufgabe an.
  • Adaptive Wiederherstellung und Strategieentwicklung. Wenn ein Zwischenschritt fehlschlägt, lokalisiert TRACE die fehlgeschlagene Teilaufgabe, bewahrt zuvor abgeschlossene Ausführungszustände, passt die entsprechende Strategie an und setzt die Ausführung fort, ohne den gesamten Workflow neu zu starten. Ausführungsfeedback wird zudem genutzt, um die Strategiebibliothek kontinuierlich weiterzuentwickeln.

📊 Hauptergebnisse

Wir evaluieren TRACE auf AdvCUA und AgentHazard, zwei Sicherheits-Benchmarks für Agenten, die die End-to-End-Ausführung mehrstufiger Aufgaben in interaktiven Umgebungen erfordern. Die Experimente umfassen zwei Agenten-Frameworks, Codex und Claude Code, mit mehreren zugrunde liegenden Modellen.

Agenten-FrameworkZugrunde liegendes ModellAdvCUAAgentHazard
CodexGPT-5.50.620.97
CodexGemini-3.5-Flash0.650.99
CodexDeepSeek-V4-Pro0.811.00
Claude CodeClaude-Opus-4.80.540.97
Claude CodeGemini-3.5-Flash0.690.98
Claude CodeDeepSeek-V4-Pro0.880.99

TRACE erzielt durchgängig starke Angriffsleistungen über verschiedene Agenten-Frameworks und zugrunde liegende Modelle hinweg und übertrifft frühere Baselines in den meisten Einstellungen deutlich. Auf AdvCUA erreicht TRACE ASRs im Bereich von 0.54 bis 0.88. Auf AgentHazard erreicht TRACE nahezu perfekte ASRs über alle evaluierten Konfigurationen hinweg, im Bereich von 0.97 bis 1.00.

🎬 Demos

Zwei aufgezeichnete Demonstrationen mit Claude Code und Codex sind in assets/ verfügbar:

Ziel-AgentDemo
Claude CodeClaude Code Demo
CodexCodex Demo

🛠️ Installation

Die bereitgestellte Umgebungsspezifikation ist auf Linux und Python 3.11 ausgerichtet.

git clone https://github.com/ZJU-LLM-Safety/TRACE.git
cd TRACE

conda env create -f environment.yml
conda activate trace

🚀 Verwendung

1. API-Zugriff konfigurieren

Legen Sie die Anmeldedaten und die Basis-URL für einen OpenAI-kompatiblen Chat-Completions-Endpunkt fest:

export OPENAI_API_KEY="<your-api-key>"
export OPENAI_BASE_URL="<your-api-base-url>"

2. Aufgabenzerlegung

Generieren Sie Kandidaten-Teilaufgabensequenzen mithilfe einer schema-gesteuerten Aufgabenzerlegung:

python improved_decomposer/improved_task_decomposer.py \
  --data_file_path /path/to/tasks.json \
  --output_file_path outputs/decompositions.jsonl \
  --model "<decomposition-model>" \
  --num_decompositions_per_task 5 \
  --use_schema_decompose

--use_schema_decompose aktiviert die schema-basierte Kandidatengenerierung.

3. Experimente ausführen

Das folgende Beispiel verwendet den AdvCUA-Benchmark mit Codex:

python experiment/main.py \
  --dataset /path/to/benchmark_with_subtasks.jsonl \
  --config experiment/config/config.yaml \
  --lab-backend vrap \
  --compose-file /path/to/benchmark/docker-compose.yml \
  --attacker-model-path /path/to/attacker-model \
  --target-backend codex \
  --codex-model "<target-model>" \
  --responses-base-url "<target-responses-api-base-url>" \
  --responses-env-key OPENAI_API_KEY \
  --strategy-library outputs/experiment/strategy_library.json \
  --output outputs/experiment/results.jsonl

Um die verfügbaren Befehlszeilenoptionen zu prüfen:

python improved_decomposer/improved_task_decomposer.py --help
python experiment/main.py --help

📁 Repository-Struktur

PfadBeschreibung
improved_decomposer/Prozedurale Schemata, Kandidatengenerierung, Validierung und Auswahl
experiment/main.pyExperiment-Orchestrierung und Ausführungsfeedback
experiment/runtime/Laufzeitkomponenten für Modelle, Strategien und Teilaufgaben-Sequenzen
experiment/strategy_library/Strategie-Speicherung, -Abruf, -Überarbeitung und Feedback-Integration
experiment/config/Experiment-Konfigurationen und Prompt-Vorlagen
agent_execution/Zielagenten-Schnittstellen, Sitzungsverwaltung, Trajektorienerfassung und Verifikation
tools/Benchmark-Bridges, API-Adapter und Diagnosen
assets/Demonstrationsvideos zu Claude Code und Codex
environment.ymlConda-Umgebungsspezifikation

📝 Zitierung

Wenn Sie TRACE in Ihrer Forschung nützlich finden, ziehen Sie bitte in Betracht, es zu zitieren:

@misc{zeng2026tracetaskawareadaptiveselfevolving,
      title={TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking}, 
      author={Churui Zeng and Kedong Xiu and Weiwei Qi and Yuqi Hao and Chaochao Lu and Liang He and Zhan Qin and Tianhang Zheng},
      year={2026},
      eprint={2605.30883},
      archivePrefix={arXiv},
      primaryClass={cs.CR},
      url={https://arxiv.org/abs/2605.30883}, 
}
Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Noch keine Beliebtheitsdaten.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →