Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
sec-af — Auditeur de sécurité de code natif IA sur AgentField qui prouve l'exploitabilité avec des verdicts, des traces et des preuves actionnables. | Kitploit
Outils/GitHubGitHub/agent-field/sec-af
Analyse StatiqueScanners de VulnérabilitésAnalyse de CodeExploitationSécurité WebTests d'IntrusionDevSecOpsDétection de SecretsSécurité de la Chaîne LogistiqueSécurité de l'IA
GitHub
1944146il y a 5 joursVérifié par Kitploit
agent-field/sec-af

sec-af

Auditeur de sécurité de code natif IA sur AgentField qui prouve l'exploitabilité avec des verdicts, des traces et des preuves actionnables.

Voir le dépôtSite web
Partager

SEC-AF

Auditeur de sécurité natif IA construit sur AgentField

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

Sortie • Benchmark • Fonctionnement • Comparaison • Démarrage rapide • API

Les autres outils signalent des motifs. SEC-AF prouve l'exploitabilité : chaque constatation est livrée avec un verdict, une trace de flux de données et des preuves exploitables. Gratuit, open source, un seul appel API. Un audit complet avec 30 constatations vérifiées coûte environ 1,40 $ en appels LLM.

SEC-AF — auditeur de sécurité natif IA

DX en un seul appel

Déclenchez-le avec la CLI af (nécessite af ≥ 0.1.87) — elle diffuse la progression en direct et affiche le résultat :

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

Vous préférez le HTTP brut ? Appelez directement l'API avec 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"}}'

Ce que vous obtenez en retour

Il s'agit d'une véritable découverte issue de l'audit de SEC-AF sur DVGA (une application GraphQL délibérément vulnérable) :

{
  "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()"
  }
}

Chaque constatation inclut un verdict (confirmed / likely / inconclusive / not_exploitable), un objet de preuve avec la trace de contamination complète, et l'emplacement exact du code. Pas de « cela pourrait être un problème ». SEC-AF trace les données de la source au puits et prouve si elles sont réellement exploitables.

Sortie complète du benchmark (30 constatations) : exampl/dvga-benchmark-result.json | Analyse de performance : exampl/benchmark-analysis.json

Benchmark : DVGA

Nous exécutons SEC-AF contre Damn Vulnerable GraphQL Application, une application délibérément vulnérable comportant 21 scénarios de sécurité documentés.

MétriqueValeur
Constatations brutes découvertes106
Après déduplication par IA61
Après vérification adversariale28 confirmées
Non concluantes (nécessitent une revue manuelle)1
Non exploitables (correctement rejetées)1
Réduction du bruit94 %
Arêtes du DAG (appels au raisonneur)82
Appels d'agents~166–255
Stratégies exécutées11
Temps réel écoulé~78 min
Coût estimé (Kimi K2.5)~0,18–0,90 $
Répartition : 30 constatations vérifiées par catégorie
CatégorieNombreExemples
Authentification manquante8ImportPaste, delete_all_pastes, system_debug, CreateUser, téléversement de fichiers
Injection de commandes4os.popen(cmd) via ImportPaste, system_debug, system_diagnostics
Injection SQL3filter non assaini dans resolve_pastes, injection de motif LIKE, connexion
Contournement d'authentification3Signature JWT désactivée, contournement de l'autorisation JWT, authentification par mot de passe défaillante
Identifiants en clair3Stockage de mots de passe en clair, comparaison en clair, mot de passe dans les diagnostics
SSRF2La mutation ImportPaste suit les URL fournies par l'utilisateur côté serveur
Logique métier / Assainissement d'URL2Assainissement d'URL inadéquat, suppression massive non authentifiée
DoS / Épuisement des ressources3Pagination manquante sur les requêtes users/audits, simulate_load non contrôlé
Configuration / Secrets2Secrets JWT/Flask codés en dur, mode débogage activé en production
Patrons de conception : comment fonctionne l'analyse de sécurité native en IA

SEC-AF applique plusieurs patrons architecturaux qui ne sont rendus possibles qu'en composant de nombreux agents IA ciblés au lieu d'exécuter une analyse monolithique unique. Ces patrons répondent à des défis fondamentaux de l'analyse de sécurité pilotée par l'IA.

1. Tension entre agents adversariaux (CHASSER vs. PROUVER)

La plupart des outils de sécurité IA demandent à un seul modèle « est-ce vulnérable ? » et acceptent la réponse. SEC-AF sépare structurellement les agents de découverte des agents de réfutation. Les chasseurs sont incités à trouver des vulnérabilités ; les prouveurs sont incités à les réfuter. Chaque constatation passe par une chaîne de vérification à 4 agents — un traceur reconstruit le flux de données, un analyseur d'assainissement recherche des atténuations que le chasseur aurait pu manquer, un hypothétiseur d'exploit construit un scénario d'attaque concret, et un agent de verdict pèse toutes les preuves contradictoires. Cette tension adversariale entre agents est ce qui produit la réduction de bruit de 94 % — l'architecture elle-même encode le scepticisme.

2. Cascade de signaux avec rétrécissement progressif

Au lieu de déverser toutes les constatations sur l'utilisateur, le pipeline compresse le signal à chaque étape : 106 constatations brutes → 61 après déduplication par IA → 30 après vérification adversariale. Chaque phase est un filtre. Cela reflète la façon dont les équipes de sécurité humaines trient — découverte large d'abord, puis examen progressivement plus strict. L'idée clé est que chaque filtre est un type différent de raisonnement IA : similarité sémantique pour la déduplication, analyse de contamination pour la vérification, construction d'exploit pour la confirmation.

3. Économie de l'information via l'élagage du contexte

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    654
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    490
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    395
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    336
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    258
  • 6

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    252

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →