Auditor de seguridad de código nativo de IA en AgentField que demuestra la explotabilidad con veredictos, trazas y evidencia accionable.
Salida • Benchmark • Cómo funciona • Comparación • Inicio rápido • API
Otras herramientas señalan patrones. SEC-AF demuestra la explotabilidad: cada hallazgo se entrega con un veredicto, un rastro del flujo de datos y evidencia sobre la que puedes actuar. Gratis, de código abierto, una sola llamada a la API. Una auditoría completa con 30 hallazgos verificados cuesta aproximadamente $1.40 en llamadas a LLM.
Actívalo con la CLI af (requiere af ≥ 0.1.87) — transmite el progreso en vivo e imprime el resultado:
af call sec-af.audit --in '{"repo_url": "https://github.com/dolevf/Damn-Vulnerable-GraphQL-Application"}'
¿Prefieres HTTP sin procesar? Accede directamente a la API con curl:
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"}}'
Este es un hallazgo real de SEC-AF auditando DVGA (una aplicación GraphQL deliberadamente vulnerable):
{
"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()"
}
}
Cada hallazgo incluye un veredicto (confirmed / likely / inconclusive / not_exploitable), un objeto de prueba con el rastreo completo de contaminación y la ubicación exacta del código. No es un "esto podría ser un problema". SEC-AF rastrea los datos desde el origen hasta el sumidero y demuestra si realmente es explotable.
Salida completa del benchmark (30 hallazgos):
exampl/dvga-benchmark-result.json| Análisis de rendimiento:exampl/benchmark-analysis.json
Ejecutamos SEC-AF contra Damn Vulnerable GraphQL Application, una aplicación deliberadamente vulnerable con 21 escenarios de seguridad documentados.
| Métrica | Valor |
|---|---|
| Hallazgos brutos descubiertos | 106 |
| Después de la deduplicación con IA | 61 |
| Después de la verificación adversarial | 28 confirmados |
| No concluyentes (requieren revisión manual) | 1 |
| No explotables (rechazados correctamente) | 1 |
| Reducción de ruido | 94% |
| Aristas del DAG (llamadas al razonador) | 82 |
| Llamadas al agente | ~166–255 |
| Estrategias ejecutadas | 11 |
| Tiempo de reloj | ~78 min |
| Costo estimado (Kimi K2.5) | ~$0.18–$0.90 |
| Categoría | Cantidad | Ejemplos |
|---|---|---|
| Autenticación faltante | 8 | ImportPaste, delete_all_pastes, system_debug, CreateUser, carga de archivos |
| Inyección de comandos | 4 | os.popen(cmd) vía ImportPaste, system_debug, system_diagnostics |
| Inyección SQL | 3 | filter sin sanitizar en resolve_pastes, inyección de patrón LIKE, inicio de sesión |
| Omisión de autenticación | 3 | Firma JWT deshabilitada, omisión de autorización JWT, autenticación de contraseña rota |
| Credenciales en texto plano | 3 | Almacenamiento de contraseñas en claro, comparación en texto plano, contraseña en diagnósticos |
| SSRF | 2 | La mutación ImportPaste sigue URLs proporcionadas por el usuario en el servidor |
| Lógica de negocio / Sanitización de URL | 2 | Sanitización de URL inadecuada, eliminación masiva sin autenticación |
| DoS / Agotamiento de recursos | 3 | Falta de paginación en consultas de usuarios/auditorías, simulate_load sin control |
| Configuración / Secretos | 2 | Secretos JWT/Flask codificados, modo de depuración habilitado en producción |
SEC-AF aplica varios patrones arquitectónicos que se habilitan de manera única al componer muchos agentes de IA enfocados en lugar de ejecutar un escaneo monolítico. Estos patrones abordan desafíos fundamentales en el análisis de seguridad impulsado por IA.
1. Tensión entre agentes adversarios (CAZAR vs. DEMOSTRAR)
La mayoría de las herramientas de seguridad de IA le preguntan a un solo modelo "¿es esto vulnerable?" y aceptan la respuesta. SEC-AF separa estructuralmente los agentes descubridores de los agentes refutadores. Los cazadores están incentivados a encontrar vulnerabilidades; los probadores están incentivados a refutarlas. Cada hallazgo pasa por una cadena de verificación de 4 agentes: un rastreador reconstruye el flujo de datos, un analizador de sanitización busca mitigaciones que el cazador pudo haber pasado por alto, un hipotetizador de exploits construye un escenario de ataque concreto y un agente de veredicto sopesa toda la evidencia conflictiva. Esta tensión adversarial entre agentes es lo que impulsa la reducción de ruido del 94%: la arquitectura en sí misma codifica el escepticismo.
2. Cascada de señales con estrechamiento progresivo
En lugar de volcar todos los hallazgos al usuario, el pipeline comprime la señal en cada etapa: 106 hallazgos brutos → 61 después de la deduplicación con IA → 30 después de la verificación adversarial. Cada fase es un filtro. Esto refleja cómo los equipos de seguridad humanos hacen triaje: primero un descubrimiento amplio, luego un escrutinio progresivamente más estricto. La idea clave es que cada filtro es un tipo diferente de razonamiento de IA: similitud semántica para la deduplicación, análisis de contaminación para la verificación, construcción de exploits para la confirmación.