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
Adaptive_Greedy_Local_Search — AGLS | Kitploit
Outils/GitHubGitHub/franz-chang/adaptive_greedy_local_search
Apprentissage AutomatiqueArticles et RechercheRed TeamingSécurité de l'IAAttaque Adversariale
GitHubfranz-chang/adaptive_greedy_local_search

Adaptive_Greedy_Local_Search

AGLS

Voir le dépôt
Partager
348il y a 7 moisPas encore vérifié

Adaptive Greedy Local Search (AGLS)

Détournement de prompt préservant la sémantique : une attaque adverse en boîte noire contre l'optimisation automatique de prompt (ICME 2026)

Résumé : Les grands modèles de langage (LLM) sont de plus en plus souvent équipés de modules d'optimisation automatique de prompt qui réécrivent la saisie de l'utilisateur et présentent explicitement un prompt « amélioré » avant de générer la réponse finale. Bien que cette visibilité soit conçue pour renforcer la confiance et le contrôle de l'utilisateur, la sélection autonome par l'optimiseur de l'unique candidat « optimal » demeure sans contrainte. L'attaquant peut détourner le prompt d'origine ou le prompt généré par l'optimisation automatique de prompt pour procéder à une réécriture alternative, induisant ainsi une dérive sémantique et menant à bien le processus d'optimisation du détournement, ce qui affecte considérablement la réponse du LLM. Pour exposer systématiquement ce risque, nous proposons Adaptive Greedy Local Search (AGLS), une attaque par détournement de prompt. Cette attaque injecte un décalage sémantique en détournant les résultats de l'optimisation automatique de prompt dans un scénario en boîte noire. AGLS ajuste dynamiquement les remplacements de candidats à des points de contrôle linguistiques afin de maintenir un BERTScore $\approx 0.80$ tout en maximisant l'écart par rapport à l'objectif. Des expériences approfondies menées sur des LLM populaires et open source démontrent qu'AGLS atteint des taux de réussite d'attaque supérieurs à ceux des attaques de préservation sémantique antérieures, à budgets de similarité strictement comparables. Les résultats mettent en évidence le risque de détournement et d'altération des optimisations automatiques explicites de prompt dans les systèmes destinés aux utilisateurs.

Le cœur de la recherche par faisceau de l'optimisation dynamique.

Configuration initiale

Veuillez d'abord installer ollama. Exemples pour serveur Linux : Ollama

curl -fsSL https://ollama.com/install.sh | sh
ollama serve
ollama pull [target models] 

Les modèles cibles utilisés dans nos expériences sont disponibles ici : Liste des modèles Ollama [llama3.1, llama3.2, llama3.3, qwen2.5, gemma2, phi3.5, ...]

Le modèle à code source fermé [gpt-4o-latest, gpt-4-turbbo] est disponible via l'API OpenAI.

Test principal

Les jeux de données à télécharger et à placer à un emplacement précis : bash /Dataset/, tous au format JSON.

GSM-IC_mstep.json,
SVAMP.json (Need Reshape),
SQUAD.json,
StrategyQA.json,
MovieQA.json,
ComplexWebQuestions.json

Le processus de test peut être exécuté directement à partir de notre script bash :

sh /Bash_scripts/Main_bash.sh
sh /Bash_scripts/Auto_eval_ablation.sh
sh /Bash_scripts/Auto_eval_gpt.sh

Vous pouvez également l'exécuter avec des arguments personnalisés :

python Main.py --api_key [openai key] --baidu_key [Baidu Qianfan Key] --gemini_key [Google Gemini Key]
               --question_limits [Number of tested problems] --beam_width [the max beam width] --tokenizer [tokenizer] --embedding_model [The detailed BERT type.]
               --target_model [llama3.1:8b, llama3.1:70b, qwen2.5:1.5b, qwen2.5:3b, qwen2.5:7b, qwen2.5:14b, gemma2:2b, gemma2:9b, phi3.5:3.8b, ...]
               --filename [the dataset selected file name: gsm, webqa, movqa, compx, ....]
or

python GPT-main.py --api_key [openai key]
               --question_limits [Number of tested problems] --beam_width [the max beam width] --tokenizer [tokenizer] --embedding_model [The detailed BERT type.]
               --target_model [chatgpt-4o-latest, gpt-4-turbo-preview, ...]
               --filename [the dataset selected file name: gsm, webqa, movqa, compx, ....]

La citation de nos travaux est la suivante :


@misc{zhang2025semanticpreservingadversarialattacksllms,
      title={Semantic-Preserving Adversarial Attacks on LLMs: An Adaptive Greedy Binary Search Approach}, 
      author={Chong Zhang and Xiang Li and Jia Wang and Shan Liang and Haochen Xue and Xiaobo Jin},
      year={2025},
      eprint={2506.18756},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2506.18756}, 
}

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.

    565
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    478
  • 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.

    383
  • 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.

    327
  • 5

    estorides

    grisuno/estorides

    Agrège plus de 99 sources OSINT gratuites en parallèle, résout les entités dans un graphe de connaissances et exporte en STIX 2.1, MISP ou GraphML avec une analyse assistée par LLM.

    258
  • 6

    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.

    256

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →