vulnhuntr

Descrizione

Vulnhuntr sfrutta la potenza degli LLM per creare e analizzare automaticamente intere catene di chiamate di codice a partire dall'input utente remoto fino all'output del server, per la rilevazione di vulnerabilità complesse, multi-step e che bypassano la sicurezza, andando ben oltre ciò che gli strumenti tradizionali di analisi statica del codice sono in grado di fare. Consulta tutti i dettagli, inclusi gli output di Vulnhuntr per tutti gli 0-day, qui: Protect AI Vulnhuntr Blog

Vulnerabilità Trovate

[!TIP] Hai trovato una vulnerabilità usando Vulnhuntr? Invia un report a huntr.com per ottenere $$ e invia una PR per aggiungerla alla lista qui sotto!

[!NOTE] Questa tabella è solo un esempio delle vulnerabilità trovate finora. Rimuoveremo i dati oscurati man mano che i periodi di responsible disclosure termineranno.

Repository	Stelle	Vulnerabilità
gpt_academic	67k	LFI, XSS
ComfyUI	66k	XSS
Langflow	46k	RCE, IDOR
FastChat	37k	SSRF
Ragflow	31k	RCE
LLaVA	21k	SSRF
gpt-researcher	17k	AFO
Letta	14k	AFO

Limitazioni

• Sono supportati solo codebase Python.
• Può identificare solo le seguenti classi di vulnerabilità:
  • Local file include (LFI)
  • Arbitrary file overwrite (AFO)
  • Remote code execution (RCE)
  • Cross site scripting (XSS)
  • SQL Injection (SQLI)
  • Server side request forgery (SSRF)
  • Insecure Direct Object Reference (IDOR)

Installazione

[!IMPORTANT] Vulnhuntr richiede strettamente Python 3.10 a causa di numerosi bug in Jedi, che utilizza per analizzare il codice Python. Non funzionerà in modo affidabile se installato con altre versioni di Python.

Consigliamo di usare pipx o Docker per installare ed eseguire facilmente Vulnhuntr.

Usando Docker:

docker build -t vulnhuntr https://github.com/protectai/vulnhuntr.git#main

Usando pipx:

pipx install git+https://github.com/protectai/vulnhuntr.git --python python3.10

In alternativa puoi installarlo direttamente dal sorgente usando poetry:

git clone https://github.com/protectai/vulnhuntr
cd vulnhuntr && poetry install

Utilizzo

Questo strumento è progettato per analizzare un repository GitHub alla ricerca di potenziali vulnerabilità sfruttabili da remoto. Lo strumento richiede una chiave API e il percorso locale di un repository GitHub. Puoi anche specificare opzionalmente un endpoint personalizzato per il servizio LLM.

[!CAUTION] Imposta sempre limiti di spesa o monitora attentamente i costi con il provider LLM che utilizzi. Questo strumento ha il potenziale di generare bollette salate poiché cerca di inserire più codice possibile nella finestra di contesto dell'LLM.

[!TIP] Consigliamo di usare Claude come LLM. Durante i test abbiamo ottenuto risultati migliori rispetto a GPT.

Interfaccia a riga di comando

usage: vulnhuntr [-h] -r ROOT [-a ANALYZE] [-l {claude,gpt,ollama}] [-v]

Analyze a GitHub project for vulnerabilities. Export your ANTHROPIC_API_KEY/OPENAI_API_KEY before running.

options:
  -h, --help            show this help message and exit
  -r ROOT, --root ROOT  Path to the root directory of the project
  -a ANALYZE, --analyze ANALYZE
                        Specific path or file within the project to analyze
  -l {claude,gpt,ollama}, --llm {claude,gpt,ollama}
                        LLM client to use (default: claude)
  -v, --verbosity       Increase output verbosity (-v for INFO, -vv for DEBUG)

Esempi

Da un'installazione pipx, analizza l'intero repository usando Claude:

export ANTHROPIC_API_KEY="sk-1234"
vulnhuntr -r /path/to/target/repo/

[!TIP] Consigliamo di indicare a Vulnhuntr file specifici che gestiscono l'input utente remoto e di scansionarli singolarmente.

Da un'installazione pipx, analizza il file /path/to/target/repo/server.py usando GPT-4o. Puoi anche specificare una sottodirectory invece di un file:

export OPENAI_API_KEY="sk-1234"
vulnhuntr -r /path/to/target/repo/ -a server.py -l gpt 

Da un'installazione Docker, esegui usando Claude e un endpoint personalizzato per analizzare /local/path/to/target/repo/repo-subfolder/target-file.py:

docker run --rm -e ANTHROPIC_API_KEY=sk-1234 -e ANTHROPIC_BASE_URL=https://localhost:1234/api -v /local/path/to/target/repo:/repo vulnhuntr:latest -r /repo -a repo-subfolder/target-file.py

Sperimentale

Ollama è incluso come opzione, tuttavia non abbiamo avuto successo con i modelli open source nella strutturazione corretta del loro output.

export OLLAMA_BASE_URL=http://localhost:11434/api/generate
export OLLAMA_MODEL=llama3.2
vulnhuntr -r /path/to/target/repo/ -a server.py -l ollama

Flusso logico

• L'LLM riassume il README e lo include nel system prompt
• L'LLM esegue un'analisi iniziale su un intero file e segnala eventuali vulnerabilità potenziali
• Vulnhuntr fornisce quindi all'LLM un prompt specifico per la vulnerabilità per un'analisi secondaria
• Ogni volta che l'LLM analizza il codice, richiede funzioni/classi/variabili di contesto aggiuntive da altri file del progetto
• Continua così fino a quando l'intera catena di chiamate dall'input utente all'elaborazione sul server non è completa, quindi fornisce un'analisi finale
• L'analisi finale consiste nel suo ragionamento, in una proof of concept dell'exploit e in un punteggio di confidenza

[!TIP] Generalmente punteggi di confidenza < 7 indicano che probabilmente non c'è una vulnerabilità. I punteggi di confidenza di 7 significano che dovrebbe essere investigata, e i punteggi di confidenza di 8+ significano che è molto probabile che sia una vulnerabilità valida.

Output

Lo strumento genera un report dettagliato delle vulnerabilità trovate nei file analizzati. Il report include:

• Risultati della valutazione iniziale per ogni file.
• Risultati della valutazione secondaria con funzioni di contesto e riferimenti alle classi.
• Punteggi di confidenza per le vulnerabilità trovate.
• Log del processo di analisi.
• Exploit PoC

Di seguito è riportato un esempio di report di Vulnhuntr che descrive una vulnerabilità di remote code execution 0-day in Ragflow (ora corretta):