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
TRACE — Framework di jailbreak agentico per agenti basati su LLM che utilizza la scomposizione dei compiti basata su schemi, strategie di camuffamento multi-turno e auto-evoluzione adattiva per sondare i rischi di sicurezza emergenti. | Kitploit
Strumenti/GitHubGitHub/zju-llm-safety/trace
ExploitScripting e AutomazionePenetration TestingMachine LearningPaper e RicercaRed TeamingSicurezza dell'IAAttacco Avversario
GitHubzju-llm-safety/trace

TRACE

Framework di jailbreak agentico per agenti basati su LLM che utilizza la scomposizione dei compiti basata su schemi, strategie di camuffamento multi-turno e auto-evoluzione adattiva per sondare i rischi di sicurezza emergenti.

4121801 mese faRevisionato da Kitploit
Vedi Repository
Condividi

TRACE: Jailbreaking agentico auto-evolvente e adattivo in base al task

Implementazione ufficiale per TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking.

📖 Panoramica

Gli agenti basati su modelli linguistici di grandi dimensioni (LLM) sono in grado di pianificare autonomamente, invocare strumenti, interagire con gli ambienti ed eseguire flussi di lavoro a lungo orizzonte. Ciò introduce rischi per la sicurezza che vanno oltre i convenzionali jailbreak basati solo su testo: anche quando è possibile ottenere istruzioni dannose, gli agenti allineati possono comunque rifiutarsi di eseguirle, mentre i fallimenti di esecuzione intermedi possono interrompere un flusso di attacco altrimenti riuscito.

TRACE è un framework di jailbreaking agentico progettato per affrontare queste sfide attraverso la decomposizione dei task, l'interazione multi-turno orientata all'esecuzione e il recupero adattivo.

TRACE è composto da tre componenti chiave:

  • Decomposizione dei task basata su schemi. TRACE sviluppa circa 20 schemi di decomposizione procedurale che specificano le operazioni chiave e le loro dipendenze per diversi tipi di task. Un complesso task dannoso viene istanziato secondo schemi diversi per generare molteplici sequenze candidate di sotto-task, che vengono valutate in base alla dannosità e alla difficoltà di esecuzione.
  • Interazione multi-turno orientata all'esecuzione. Per i sotto-task che attivano rifiuti di esecuzione, TRACE costruisce profili strutturati dei sotto-task e recupera le corrispondenti strategie orientate all'esecuzione da una libreria di strategie in evoluzione. Ogni strategia specifica obiettivi intermedi, stati ambientali rilevanti e chiamate agli strumenti necessarie, guidando l'agente verso il completamento del sotto-task attraverso l'interazione multi-turno.
  • Recupero adattivo ed evoluzione delle strategie. Quando un passo intermedio fallisce, TRACE individua il sotto-task fallito, preserva gli stati di esecuzione precedentemente completati, adatta la strategia corrispondente e riprende l'esecuzione senza riavviare l'intero flusso di lavoro. Il feedback di esecuzione viene inoltre utilizzato per far evolvere continuamente la libreria di strategie.

📊 Risultati principali

Valutiamo TRACE su AdvCUA e AgentHazard, due benchmark di sicurezza per agenti che richiedono l'esecuzione end-to-end di task multi-passo in ambienti interattivi. Gli esperimenti coprono due framework per agenti, Codex e Claude Code, con molteplici modelli sottostanti.

Framework per agentiModello sottostanteAdvCUAAgentHazard
CodexGPT-5.50.620.97
CodexGemini-3.5-Flash0.650.99
CodexDeepSeek-V4-Pro0.811.00
Claude CodeClaude-Opus-4.80.540.97
Claude CodeGemini-3.5-Flash0.690.98
Claude CodeDeepSeek-V4-Pro0.880.99

TRACE raggiunge costantemente prestazioni di attacco elevate su diversi framework per agenti e modelli sottostanti, superando sostanzialmente le precedenti baseline nella maggior parte delle configurazioni. Su AdvCUA, TRACE raggiunge ASR compresi tra 0.54 e 0.88. Su AgentHazard, TRACE raggiunge ASR quasi perfetti in tutte le configurazioni valutate, compresi tra 0.97 e 1.00.

🎬 Dimostrazioni

Due dimostrazioni registrate con Claude Code e Codex sono fornite in assets/:

Agente targetDemo
Claude CodeClaude Code Demo
CodexCodex Demo

🛠️ Installazione

La specifica dell'ambiente fornita è destinata a Linux e Python 3.11.

git clone https://github.com/ZJU-LLM-Safety/TRACE.git
cd TRACE

conda env create -f environment.yml
conda activate trace

🚀 Utilizzo

1. Configurare l'accesso API

Imposta le credenziali e l'URL di base per un endpoint Chat Completions compatibile con OpenAI:

export OPENAI_API_KEY="<your-api-key>"
export OPENAI_BASE_URL="<your-api-base-url>"

2. Scomposizione dei task

Genera sequenze candidate di sottotask utilizzando la scomposizione dei task guidata da schemi:

python improved_decomposer/improved_task_decomposer.py \
  --data_file_path /path/to/tasks.json \
  --output_file_path outputs/decompositions.jsonl \
  --model "<decomposition-model>" \
  --num_decompositions_per_task 5 \
  --use_schema_decompose

--use_schema_decompose abilita la generazione di candidati basata su schema.

3. Eseguire gli esperimenti

Il seguente esempio utilizza il benchmark AdvCUA con Codex:

python experiment/main.py \
  --dataset /path/to/benchmark_with_subtasks.jsonl \
  --config experiment/config/config.yaml \
  --lab-backend vrap \
  --compose-file /path/to/benchmark/docker-compose.yml \
  --attacker-model-path /path/to/attacker-model \
  --target-backend codex \
  --codex-model "<target-model>" \
  --responses-base-url "<target-responses-api-base-url>" \
  --responses-env-key OPENAI_API_KEY \
  --strategy-library outputs/experiment/strategy_library.json \
  --output outputs/experiment/results.jsonl

Per ispezionare le opzioni disponibili da riga di comando:

python improved_decomposer/improved_task_decomposer.py --help
python experiment/main.py --help

📁 Struttura del repository

PercorsoDescrizione
improved_decomposer/Schemi procedurali, generazione di candidati, validazione e selezione
experiment/main.pyOrchestrazione degli esperimenti e feedback di esecuzione
experiment/runtime/Componenti runtime per modelli, strategie e sequenze di sottoattività
experiment/strategy_library/Archiviazione, recupero, revisione delle strategie e integrazione del feedback
experiment/config/Configurazioni degli esperimenti e template dei prompt
agent_execution/Interfacce dell'agente target, gestione delle sessioni, raccolta delle traiettorie e verifica
tools/Bridge per benchmark, adattatori API e diagnostica
assets/Video dimostrativi di Claude Code e Codex
environment.ymlSpecifica dell'ambiente Conda

📝 Citazione

Se ritieni TRACE utile per la tua ricerca, ti invitiamo a citarlo:

@misc{zeng2026tracetaskawareadaptiveselfevolving,
      title={TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking}, 
      author={Churui Zeng and Kedong Xiu and Weiwei Qi and Yuqi Hao and Chaochao Lu and Liang He and Zhan Qin and Tianhang Zheng},
      year={2026},
      eprint={2605.30883},
      archivePrefix={arXiv},
      primaryClass={cs.CR},
      url={https://arxiv.org/abs/2605.30883}, 
}
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.

    732
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    506
  • 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.

    405
  • 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.

    342
  • 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.

    261
  • 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.

    259

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →