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
LMSM — Framework di sicurezza in fase di generazione per LLM che mappa i segnali interni del modello su regole esplicite e policy per singola richiesta, applicando azioni di autorizzazione, rifiuto o terminazione nei runtime Hugging Face e vLLM. | Kitploit
Strumenti/GitHubGitHub/xiuyuz/lmsm
Strumenti DifensiviAudit di ConfigurazioneUtilità e FrameworkMachine LearningPaper e RicercaSicurezza dell'IA
GitHubxiuyuz/lmsm

LMSM

Framework di sicurezza in fase di generazione per LLM che mappa i segnali interni del modello su regole esplicite e policy per singola richiesta, applicando azioni di autorizzazione, rifiuto o terminazione nei runtime Hugging Face e vLLM.

Vedi Repository
112 mesi faNon ancora revisionato
Condividi

LMSM

LMSM è un substrato di sicurezza in fase di generazione per i modelli linguistici. Collega i segnali interni del modello a piccole regole di sicurezza esplicite, mantiene lo stato della policy per richiesta e media solo le richieste le cui regole attive si attivano.

Per il design e la valutazione completi, vedere LMSM: LLM Security Framework Inspired by Linux Security Modules.

Il percorso di controllo principale è:

Targets -> Backend bindings -> Rules -> Policy bundle
                                      |
model forward -> request-keyed backend evaluation -> composition -> action -> response

Concetti del piano di controllo

  • Un Target identifica un comportamento che una regola può rilevare, come la criminalità informatica o le molestie, insieme all'ambito in cui la regola si applica.
  • Un Backend binding collega canali di segnale denominati a un sito di attivazione e a un backend dense probe, SAE o transcoder addestrato.
  • Una Rule collega un target ai canali del backend, a una condizione calibrata e a un'azione candidata. Le regole sono indipendenti e riutilizzabili.
  • Un Policy bundle seleziona le regole attive, la loro pianificazione temporale, l'ordine di composizione OR fisso e la mappatura dalle azioni candidate alle azioni di runtime.

Durante la generazione, LMSM associa ogni riga valutata al suo request ID. Ogni richiesta ha quindi i propri punteggi correnti, stato delle soglie e cronologia delle azioni anche quando vLLM raggruppa molte richieste in un unico forward pass. Il runtime applica un'azione solo alle righe selezionate; le altre righe continuano normalmente.

Profili inclusi

I file YAML portabili sotto profiles/ definiscono quattro configurazioni pronte all'uso:

ProfiloPianificazione
LMSM-CheckpointRaggruppa il prompt e due finestre di token generati, quindi valuta la loro fusione calibrata al passo 64.
LMSM-AnytimeAggiorna i punteggi del prefisso corrente a ogni passo generato e agisce al primo superamento.
LMSM-TranscoderTraccia le feature calibrate del transcoder Qwen3 durante il prompt e la generazione, quindi agisce al primo superamento.
LMSM-SAETraccia le feature calibrate SAE di Gemma Scope durante il prompt e la generazione, quindi agisce al primo superamento.

Checkpoint e Anytime utilizzano dense linear probe standardizzati. Transcoder e SAE forniscono esempi completi basati su artefatti degli altri due tipi di backend: ciascuno contiene sei regole semantiche indipendenti con le relative coordinate di feature calibrate e soglie. Una policy può attivare l'intero set di regole o qualsiasi sottoinsieme senza modificare la definizione del backend.

Ogni profilo mantiene l'ordine dei target, i dettagli del backend, la selezione delle regole, la pianificazione, la composizione e la mappatura verso le azioni pubbliche allow, refuse e terminate in un unico oggetto DeploymentProfile. Binding, singole regole, librerie di regole e policy bundle utilizzano semplici stringhe di versione leggibili dall'uomo.

I builder inclusi implementano le pianificazioni sopra descritte. Un valutatore di policy personalizzato può implementare semantiche di pianificazione aggiuntive rispetto agli stessi interfacce di piano di controllo e di enforcement.

Installazione

LMSM richiede Python 3.10 o versioni successive. Installare la libreria di base e il runtime opzionale che si intende utilizzare:

python -m venv .venv
. .venv/bin/activate
python -m pip install -e '.[hf]'

Per l'integrazione offline di vLLM:

python -m pip install -e '.[hf,vllm]'

Installa l'extra SAE per usare LMSM-SAE:

python -m pip install -e '.[hf,sae]'

L'adattatore vLLM in-process incluso è destinato a vLLM 0.19.0 con un worker e dimensione di parallelismo tensoriale e pipeline pari a 1. Legge il modulo di attivazione, la modalità hook pre/post e la larghezza nascosta dal binding del backend attivo e dal modello caricato, anziché presumere una particolare architettura del modello. L'integrazione con Hugging Face utilizza gli stessi siti di attivazione selezionati dal profilo.

Utilizzo con Hugging Face

from pathlib import Path

from transformers import AutoModelForCausalLM, AutoTokenizer

from lmsm import build_transformers_engine, load_profile

root = Path("/path/to/LMSM")
model_id = "Qwen/Qwen3-4B"
profile = load_profile(root / "profiles/lmsm_anytime.yaml")
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")

engine = build_transformers_engine(model, tokenizer, profile, root)
print(engine.generate("Explain how photosynthesis works."))

Seleziona regole indipendenti prima di costruire il motore quando è necessaria solo una parte di una policy:

profile = profile.with_active_rules([
    "chemical_biological",
    "cybercrime_intrusion",
])

Imposta actions_enabled=False in build_transformers_engine per valutare la policy senza modificare le risposte.

Utilizzo con vLLM

scripts/run_vllm.py accetta righe JSONL con i campi id e prompt e scrive outputs.jsonl, actions.jsonl e timings.csv:

python scripts/run_vllm.py \
  --model Qwen/Qwen3-4B \
  --profile profiles/lmsm_anytime.yaml \
  --input examples/requests.jsonl \
  --run-dir runs/anytime \
  --physical-gpu 0

Ripeti --active-rule RULE_ID per eseguire un sottoinsieme di regole selezionato. Ad esempio, --active-rule chemical_biological --active-rule cybercrime_intrusion attiva solo quelle due regole dal profilo scelto.

Test

Il repository include la suite di test CPU veloce utilizzata durante lo sviluppo:

python -m pip install -e '.[dev]'
python -m pytest -q

Questi test coprono le interfacce della libreria e i contratti dei profili forniti. La riproduzione del benchmark GPU è documentata separatamente in reproduction/.

Licenza

Il codice sorgente di LMSM e la documentazione redatta dal progetto utilizzano la Licenza MIT. I modelli e gli artefatti dei backend mantengono le proprie licenze.

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.

    1.1k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    603
  • 3

    looking-glass

    anonghosty/looking-glass

    Piattaforma CSIRT che importa i report di Shadowserver in MongoDB e li riproduce come mappe interattive, analisi, risultati, avvisi e dashboard executive.

    390
  • 4

    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.

    321
  • 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.

    301
  • 6

    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.

    263

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →