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
Strumenti/GitHubGitHub/fuzzingbrain/fuzzingbrain-bench
Analisi Dinamica (Sandboxing)Analisi delle VulnerabilitàFuzzingApprendimento e FormazioneSicurezza dell'IALab e Pratica
GitHubfuzzingbrain/fuzzingbrain-bench

FuzzingBrain-Bench

Un benchmark per la scoperta di bug guidata da LLM: 77 sfide su 43 progetti open-source (C/C++/Java).

Vedi RepositorySito web
9310116 giorni faNon ancora revisionato
Condividi

FuzzingBrain Bench

Un benchmark per la riproduzione di vulnerabilità guidata da LLM su 77 bug zero-day reali in 43 progetti open-source (C / C++ / Java).

Ogni sfida fornisce all'agente solo il fuzz harness (il target) e il codice sorgente del progetto alla revisione vulnerabile — nessuna patch, nessun commit di correzione, nessuna riga target. L'agente deve scoprire un input che riattivi un fault sotto il sanitizer. Ogni valutazione è deterministica (nessun LLM-as-judge) e avviene in-image e offline: il candidato viene eseguito attraverso l'harness ufficiale strumentato con sanitizer integrato nel container della sfida, e l'esecuzione viene valutata in base ai crash distinti attivati dall'agente. Nulla esce dalla macchina e nessun servizio deve essere attivo.

SfideProgettiLinguaggiGrader
77 end-to-end43C · C++ · Javadeterministico — in-image, offline

Nulla nelle immagini o in questo repository rivela cos'è un bug — le sfide sono denominate con un alias neutro (<project>-NN, ad es. avro-03), e la chiave delle risposte (PoC, fault atteso, build corretta) non è presente in nessuno dei due: resta con il maintainer. Sfoglia tutte le 77: tools/sealed/CHALLENGES.md.


Avvio rapido

1. Setup

git clone https://github.com/fuzzingbrain/FuzzingBrain-Bench
cd FuzzingBrain-Bench

python3 -m venv .venv && source .venv/bin/activate   # recommended (and required on
                                                     # Debian/Ubuntu, PEP 668)
pip install -e .                              # needs Python ≥ 3.10 and Docker

# put your model key(s) in ./.env — auto-loaded on every run, no need to export
cat > .env <<'EOF'
ANTHROPIC_API_KEY=sk-ant-...
OPENAI_API_KEY=sk-...
GEMINI_API_KEY=...
DEEPSEEK_API_KEY=sk-...
EOF

fb-bench list                                 # the 77 challenges (by alias)
fb-bench models                               # supported models + which keys are loaded

(./.env viene letto automaticamente; anche un semplice export ANTHROPIC_API_KEY=... funziona.)

Esegui di nuovo source .venv/bin/activate in ogni nuova shell. Oppure salta il venv con pip install --break-system-packages -e . (non consigliato).

fb-bench run scarica l'immagine pubblica della challenge, esegue il loop dell'agente sull'host (chiamando l'API del tuo modello) e valuta ogni candidato all'interno di quell'immagine — nessuna rete, nulla da raggiungere. Sono richiesti solo Docker + la chiave del tuo modello, e una esecuzione valuta i crash distinti trovati dall'agente — l'identità di un crash è il suo tipo di fault del sanitizer più i suoi frame di stack principali, quindi lo stesso fault rilevato venti volte conta una sola volta.

L'opzione predefinita --arm api non richiede nulla oltre a quanto sopra. I backend --arm codex e --arm claudecode richiedono CLI dei vendor aggiuntive — opzionali, installate separatamente (mai parte di pip install -e .); vedi §4.

2. Esegui una challenge con un modello

# Claude family  (haiku is cheapest/fastest; swap in opus/sonnet for harder runs)
fb-bench run avro-03 --model claude-haiku-4-5

# GPT family
fb-bench run avro-03 --model gpt-5.5

# Gemini family
fb-bench run avro-03 --model gemini-3.1-pro-preview

# DeepSeek family  (OpenAI-compatible endpoint; needs DEEPSEEK_API_KEY)
fb-bench run avro-03 --model deepseek-v4-flash

Modelli: claude-haiku-4-5 · claude-sonnet-4-6 · claude-opus-4-8 · gpt-5.5 · gpt-5.4 · gpt-5 · gemini-3.1-pro-preview · gemini-2.5-flash · deepseek-v4-pro · deepseek-v4-flash (qualsiasi id del catalogo funziona tramite --model; vedi fb-bench models).

3. Esegui più volte — stesso comando, uno o molti

fb-bench run accetta un bug o molti, un modello o molti. Una singola esecuzione è semplicemente una matrice di dimensione uno, quindi non esiste un comando "sweep" separato:

# recommended full run: one model over the whole corpus, named output, PoCs
# preserved (the default) for later inspection. The agent keeps hunting past its
# first crash unless you pass --stop-on-crash
fb-bench run all --model claude-haiku-4-5 --output run1 --max-turns 100

# the curated cross-model roster, all challenges, 4 cells in parallel
fb-bench run all --model default-lineup --output sweep1 --jobs 4

# a couple of bugs, 3 samples each
fb-bench run avro-03,jq-01 --model gpt-5.5 --samples 3 --output probe

# just re-print the leaderboard from an existing run
fb-bench run all --model claude-haiku-4-5 --output run1 --report-only

<bugs> è un alias, una lista separata da virgole o all; --model è un id, una lista separata da virgole, default-lineup o all. I risultati finiscono in output/<name>/<bug>/<model>/seed-N/ (score.json, episode.jsonl, transcript.jsonl, cost.json, traj.md distillato); alla fine viene stampata una classifica. --output accetta un nome semplice (annidato sotto output/) o un percorso (usato così com'è). Ogni esecuzione ottiene la propria cartella: ometti --output e finirà in output/run_<timestamp>; assegna il nome di una cartella già esistente e una nuova esecuzione creerà <name>_<timestamp> invece di riprendere in quella cartella — così due esecuzioni non condividono mai i risultati (--report-only è l'unico lettore, che apre una cartella sul posto).

4. Modalità agente — stesso run, scegli il backend con --arm

I tre backend agente condividono un'unica voce. --arm seleziona quale di essi guida la sfida; tutto il resto (<bugs>, --jobs, --samples, --output, la cartella per esecuzione, la classifica) è identico tra gli arm.

fb-bench run avro-03 --model gpt-5.5            # --arm api (default): provider model
fb-bench run avro-03 --arm codex               # OpenAI codex CLI (default gpt-5.5)
fb-bench run avro-03 --arm claudecode --model sonnet --auth sub   # Claude Code CLI
fb-bench run all     --arm codex --jobs 4      # whole corpus, batched
  • --arm codex guida codex exec di OpenAI sul server MCP del bench. --model imposta il modello codex (predefinito gpt-5.5), fissato tramite il suo config.toml.
  • --arm claudecode guida la CLI di Claude Code. --model seleziona il modello claude (sonnet/opus/haiku).

Entrambi gli arm dei vendor accettano --auth {api,sub}: api = la chiave API del provider (OPENAI_API_KEY / ANTHROPIC_API_KEY, pay-go, senza limitazioni), sub = un accesso tramite abbonamento (codex: un piano ChatGPT Plus/Pro/Business/Edu/Enterprise; claudecode: OAuth di claude.ai). Il valore predefinito è auto — preferisce api quando la chiave API è presente, altrimenti ricade su sub.

Opzionale — installare la CLI del vendor per l'arm che utilizzi

Queste sono estensioni opzionali e non vengono installate da pip install -e .. L'--arm api predefinito non ne ha mai bisogno. Installa solo la CLI del cui arm prevedi di eseguire (entrambe richiedono Node):

# --arm codex → OpenAI Codex CLI. Authenticate once, matching the --auth you use:
npm install -g @openai/codex
#   --auth api (default when OPENAI_API_KEY is set):
printenv OPENAI_API_KEY | codex login --with-api-key
#   --auth sub (needs a ChatGPT Plus/Pro/Business/Edu/Enterprise plan; a free
#   ChatGPT account can't use the codex models):
codex login                                  # sign in with your ChatGPT plan

# --arm claudecode → Claude Code CLI.
npm install -g @anthropic-ai/claude-code
#   --auth api (default when ANTHROPIC_API_KEY is set): nothing to do
#   --auth sub: one-time claude.ai OAuth login
claude

Il compito è sempre alla cieca

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.

    772
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    505
  • 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.

    420
  • 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.

    345
  • 5

    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.

    260
  • 6

    antifox

    antifox-ai/antifox

    Piattaforma multi-agente di penetration testing autonoma basata sull'IA che esegue ricognizione, scoperta della superficie d'attacco, validazione dello sfruttamento e consegna di report supportati da evidenze.

    251

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →