Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
sec-af — Auditor di sicurezza del codice nativo AI su AgentField che dimostra la sfruttabilità con verdict, tracce e prove concrete. | Kitploit
Strumenti/GitHubGitHub/agent-field/sec-af
Analisi StaticaScanner di VulnerabilitàAnalisi del CodiceExploitSicurezza WebPenetration TestingDevSecOpsRilevamento SegretiSicurezza della Supply ChainSicurezza dell'IA
GitHub
19441465 giorni faRevisionato da Kitploit
agent-field/sec-af

sec-af

Auditor di sicurezza del codice nativo AI su AgentField che dimostra la sfruttabilità con verdict, tracce e prove concrete.

Vedi RepositorySito web
Condividi

SEC-AF

Auditor di Sicurezza AI-Native Basato su AgentField

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

Output • Benchmark • Come Funziona • Confronto • Avvio Rapido • API

Altri strumenti segnalano pattern. SEC-AF dimostra la sfruttabilità: ogni risultato viene fornito con un verdetto, una traccia del flusso di dati e prove su cui puoi agire. Gratuito, open source, una sola chiamata API. Un audit completo con 30 risultati verificati costa circa $1,40 in chiamate LLM.

SEC-AF — auditor di sicurezza AI-native

DX a Chiamata Singola

Attivalo con la CLI af (richiede af ≥ 0.1.87) — trasmette l'avanzamento in tempo reale e stampa il risultato:

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

Preferisci HTTP raw? Chiama direttamente l'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"}}'

Cosa ottieni in cambio

Questa è una vera scoperta dell'audit di SEC-AF su DVGA (un'applicazione GraphQL deliberatamente vulnerabile):

{
  "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()"
  }
}

Ogni risultato include un verdetto (confirmed / likely / inconclusive / not_exploitable), un oggetto di prova con la traccia completa della contaminazione e l'esatta posizione nel codice. Non "questo potrebbe essere un problema". SEC-AF traccia i dati dalla sorgente al sink e dimostra se sono effettivamente sfruttabili.

Output completo del benchmark (30 risultati): exampl/dvga-benchmark-result.json | Analisi delle prestazioni: exampl/benchmark-analysis.json

Benchmark: DVGA

Eseguiamo SEC-AF su Damn Vulnerable GraphQL Application, un'applicazione deliberatamente vulnerabile con 21 scenari di sicurezza documentati.

MetricaValore
Risultati grezzi scoperti106
Dopo la deduplicazione AI61
Dopo la verifica avversariale28 confermati
Inconcludenti (richiedono revisione manuale)1
Non sfruttabili (correttamente respinti)1
Riduzione del rumore94%
Archi del DAG (chiamate al reasoner)82
Chiamate agli agenti~166–255
Strategie eseguite11
Tempo effettivo~78 min
Costo stimato (Kimi K2.5)~$0,18–$0,90
Ripartizione: 30 risultati verificati per categoria
CategoriaConteggioEsempi
Autenticazione mancante8ImportPaste, delete_all_pastes, system_debug, CreateUser, caricamento file
Iniezione di comandi4os.popen(cmd) tramite ImportPaste, system_debug, system_diagnostics
Iniezione SQL3filter non sanificato in resolve_pastes, iniezione di pattern LIKE, login
Bypass dell'autenticazione3Firma JWT disabilitata, bypass dell'autorizzazione JWT, autenticazione con password non funzionante
Credenziali in chiaro3Archiviazione delle password in chiaro, confronto in chiaro, password nella diagnostica
SSRF2La mutation ImportPaste segue URL forniti dall'utente lato server
Logica di business / Sanificazione URL2Sanificazione URL inadeguata, cancellazione massiva non autenticata
DoS / Esaurimento delle risorse3Paginazione mancante nelle query users/audits, simulate_load non controllato
Configurazione / Segreti2Segreti JWT/Flask hardcoded, modalità debug abilitata in produzione
Pattern di progettazione: come funziona l'analisi di sicurezza nativa per l'AI

SEC-AF applica diversi pattern architetturali che sono resi possibili unicamente dalla composizione di molti agenti AI specializzati invece dell'esecuzione di un'unica scansione monolitica. Questi pattern affrontano sfide fondamentali nell'analisi di sicurezza guidata dall'AI.

1. Tensione dell'agente avversario (CACCIA vs. DIMOSTRA)

La maggior parte degli strumenti di sicurezza AI chiede a un singolo modello "questa è vulnerabile?" e accetta la risposta. SEC-AF separa strutturalmente gli agenti di scoperta dagli agenti di confutazione. I cacciatori sono incentivati a trovare vulnerabilità; i dimostratori sono incentivati a confutarle. Ogni risultato passa attraverso una catena di verifica a 4 agenti — un tracer ricostruisce il flusso dei dati, un analizzatore di sanificazione cerca mitigazioni che il cacciatore potrebbe aver trascurato, un ipotizzatore di exploit costruisce uno scenario di attacco concreto e un agente di verdetto valuta tutte le prove contrastanti. È questa tensione avversariale tra gli agenti a determinare la riduzione del rumore del 94% — l'architettura stessa codifica lo scetticismo.

2. Cascata di segnali con restringimento progressivo

Invece di scaricare tutti i risultati sull'utente, la pipeline comprime il segnale in ogni fase: 106 risultati grezzi → 61 dopo la deduplicazione AI → 30 dopo la verifica avversariale. Ogni fase è un filtro. Questo rispecchia il modo in cui i team di sicurezza umani effettuano il triage — prima un'ampia scoperta, poi un esame progressivamente più rigoroso. L'intuizione chiave è che ogni filtro è un diverso tipo di ragionamento AI: similarità semantica per la deduplicazione, analisi della contaminazione per la verifica, costruzione di exploit per la conferma.

3. Economia dell'informazione tramite potatura del contesto

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    565
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    478
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    383
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    327
  • 5

    estorides

    grisuno/estorides

    Aggrega in parallelo oltre 99 fonti OSINT gratuite, risolve le entità in un knowledge graph ed esporta in STIX 2.1, MISP o GraphML con analisi assistita da LLM.

    258
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    256

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →