Skip to content
KitploitKITPLOIT
ツールエクスプロイトブログ
Log in
提出
ツールエクスプロイトブログ
提出

ハッキング、侵入テスト、サイバーセキュリティツールをあなたのセキュリティアーセナルに!

Kitploitはハッキング、サイバーセキュリティ、ペネトレーションテストのツールディレクトリです。最新のプロジェクトアップデートを見つけて、脆弱性の発見、システム分析、テストの自動化、セキュリティの強化を行いましょう。

フィードお問い合わせプライバシー© 2026 Kitploit

ツールディレクトリ

カテゴリ

すべてのカテゴリを見る
Loading categories
ツール/GitHubGitHub/amazon-science/cyber-zero
脆弱性分析CTFペネトレーションテスト機械学習論文と研究学習と教育AIセキュリティラボと実践Archived
GitHubamazon-science/cyber-zero

Cyber-Zero

実行時環境を必要とせずにLLMサイバーセキュリティエージェントを訓練するためのフレームワーク。ペルソナ駆動型シミュレーションを通じてCTF解決の軌跡を合成し、InterCode-CTF、NYU CTF Bench、Cybenchで評価します。

100229ヶ月前Kitploit レビュー済み
リポジトリを見る
ウェブサイト
共有

Cyber-Zero: ランタイムなしでサイバーセキュリティエージェントをトレーニングする

🎉 最新の研究成果をチェックしてください!

🚀 サイバーセキュリティエージェント向けの初のランタイム環境 🚀

🧐 概要 | 🏆 ベンチマークスイート | 🚀 クイックスタート | 🏗️ アーキテクチャ | ⚙️ 設定 | 📊 生成 | 📝 検証 | 📝 CLIインターフェース | 📝 引用

Cyber-Zeroは、ランタイム実行環境を必要とせずにサイバーセキュリティエージェントをトレーニングするための包括的なフレームワークです。

概要

Cyber-Zero Teaser

大規模言語モデル(LLM)は、実行可能なランタイム環境でトレーニングされた場合、ソフトウェアエンジニアリングタスクにおいて目覚ましい成功を収めていますが、そのような環境は、チャレンジの設定や実行コンテキストが一時的または制限されているサイバーセキュリティ領域ではしばしば利用できません。Cyber-Zeroは、公開されているCTFのwriteupを活用し、ペルソナ駆動型のLLMシミュレーションを採用してランタイムの動作をリバースエンジニアリングし、実際の実行環境なしで現実的で長期的なインタラクションシーケンスを生成することで、この根本的な制限に対処します。

主要なイノベーションは、実際の実行環境を必要とせずに、LLMシミュレーションを通じて高品質なトレーニング軌跡を生成することにあり、これによりサイバーセキュリティエージェントのトレーニングがスケーラブルかつ実用的になります。Cyber-Zeroによって合成された軌跡を使用して、私たちはLLMベースのエージェントをトレーニングし、3つの著名なCTFベンチマーク(InterCode-CTF、NYU CTF Bench、Cybench)において、ベースラインモデルに対して最大13.1%の絶対的な性能向上を達成しました。

ベンチマークスイート

サイバーセキュリティエージェントの評価を民主化するために、私たちはCyber-ZeroのEnIGMA+向けに適応させた3つの修復済みベンチマークスイートを提供しています:

  • InterCode-CTF - さまざまなサイバーセキュリティ領域をカバーするCTFチャレンジの包括的なコレクション
  • NYU CTF Bench - LLMベースのCTF解決能力を評価するためのNYUが厳選したベンチマークスイート
  • Cybench - 複数のCTFカテゴリと難易度レベルをカバーする多様なベンチマーク

すべてのベンチマークはEnIGMAおよびEnIGMA+の仕様に従うように再フォーマットされており、各チャレンジにはchallenge.jsonファイルとdocker-compose.ymlファイル(必要な場合)が含まれています。

私たちのベンチマークスイートは、元のベンチマークで特定されたいくつかの問題に対処し、信頼性の高い評価のための修復版を提供しています。特定の修復と改善の詳細については、benchmarks/README.mdを参照してください。

EnIGMA+

サイバーセキュリティエージェントの開発を促進するために、私たちは**EnIGMA+**を提供しています。これはEnIGMAの拡張エージェントスキャフォールディングであり、数百のCTFチャレンジを_数日_ではなく_数時間_で実行します。EnIGMA+はSWE-agentの上に構築されています。

EnIGMA+ を使用した私たちの最良のモデルである Cyber-Zero-32B は、オープンウェイトモデルの中で新たな最先端性能を確立し、DeepSeek-V3-0324 や Claude-3.5-Sonnet といったプロプライエタリシステムの能力に匹敵しながら、優れたコスト効率を提供します。これは、ランタイム不要の軌跡合成が最先端のサイバーセキュリティエージェントの開発を効果的に民主化できることを実証しています。

インストール、設定、使用方法など EnIGMA+ の詳細については、enigma-plus フォルダ内の README をご確認ください。

インストール

ソースから

# Install dependencies
pip install -r requirements.txt

# Install the package
pip install -e .

クイックスタート

トラジェクトリの生成

# Using the CLI
cyber-zero generate \
    --sampled_flags_path task_meta.jsonl \
    --output_path trajectories.jsonl \
    --trajectories_per_task 3 \
    --workers 16

# Using the direct script interface
python generate_trajectory.py \
    --sampled_flags_path task_meta.jsonl \
    --output_path trajectories.jsonl \
    --trajectories_per_task 3 \
    --workers 16

品質を評価する

# Using the CLI
cyber-zero evaluate \
    --input_path trajectories.jsonl \
    --output_path quality_results.jsonl \
    --model_id deepseek-v3-0324

# Using the direct script interface  
python evaluate_quality.py \
    --input_path trajectories.jsonl \
    --output_path quality_results.jsonl \
    --model_id deepseek-v3-0324

軌跡の再フォーマット

# Using the CLI
cyber-zero reformat \
    --input_path quality_results.jsonl \
    --output_path formatted_trajectories.jsonl \
    --split_output

# Using the direct script interface
python reformat_trajectories.py \
    --input_path quality_results.jsonl \
    --output_path formatted_trajectories.jsonl \
    --split_output

アーキテクチャ

本フレームワークは、Cyber-Zero のモジュール式アーキテクチャに従っています:

cyber_zero/
├── __init__.py                 # Package initialization
├── config.py                   # Configuration management
├── models.py                   # Data models (TaskMeta, TrajectoryData, etc.)
├── utils.py                    # Common utilities
├── validation.py               # Response and command validation
├── llm_client.py               # LLM interaction and quality evaluation
├── trajectory_generator.py     # Main trajectory generation logic
├── quality_evaluator.py        # Quality evaluation for trajectories
├── trajectory_reformatter.py   # Trajectory reformatting for training
├── cli.py                      # Command-line interface
├── prompts/                    # System prompts
│   ├── __init__.py
│   ├── assistant_turn_prompt.txt   # Assistant (CTF player) prompt
│   └── user_turn_prompt.txt        # User (system/environment) prompt
└── data_collection/            # Data collection utilities
    ├── __init__.py             # Package initialization
    ├── config.py               # Data collection configuration
    ├── scraper.py              # Shared web scraping utilities
    └── README.md               # Data collection documentation

主要コンポーネント

  • Config: モデルマッピングと検証ルールを備えた集中管理型の設定管理
  • Models: タスク、トラジェクトリ、評価結果のための型安全なデータ構造
  • Validation: レスポンス、コマンド、アクション形式の包括的な検証
  • LLMClient: リトライロジックを備えた、さまざまな言語モデル向けの抽象化されたインターフェース
  • TrajectoryGenerator: 会話生成のメインオーケストレーター
  • CLI: ユーザーフレンドリーなコマンドラインインターフェース

設定

このフレームワークは、集中管理型のモデル管理を備えた階層的な設定システムを使用しています:

基本設定

from cyber_zero import Config

config = Config()
config.MAX_TURNS = 60  # Maximum conversation turns (30 paired turns)
config.DEFAULT_WORKERS = 16  # Number of parallel workers

モデル設定

このフレームワークは litellm を通じて複数の LLM プロバイダーをサポートしています。研究論文で指定されているデフォルトモデルは DeepSeek-V3-0324 です:

# Get available models
from cyber_zero.config import Config
config = Config()
print(config.models.MODEL_MAPPINGS)
# {'deepseek-v3-0324': 'deepseek-ai/DeepSeek-V3-0324', ...}

# Use a specific model
model_id = config.models.get_model_id("deepseek-v3-0324")

カスタムモデルの追加

軌跡生成用のカスタムモデルを追加するには、cyber_zero/config.py 内のモデルマッピングを更新します:

# In cyber_zero/config.py
@dataclass
class ModelConfig:
    def __post_init__(self):
        if self.MODEL_MAPPINGS is None:
            self.MODEL_MAPPINGS = {
                # Default research model
                "deepseek-v3-0324": "deepseek-ai/DeepSeek-V3-0324",
                # Add your custom models here
                "custom-model": "provider/your-custom-model-id",
                "local-model": "http://localhost:8000/v1/completions",
            }

モデルパラメータ

このフレームワークは、最適な軌跡生成のために研究で検証されたパラメータを使用します:

  • Temperature: 0.6(創造性と一貫性のバランス)
  • Top-p: 0.95(多様でありながら焦点を絞ったサンプリング)
  • Max Turns: 30 ペアターン(合計 60 ターン)
  • Trajectories per Task: 3(多様性のため)

生成

TaskMeta

CTF タスクのメタデータを表します:

task = TaskMeta(
    task_name="Buffer Overflow Basic",
    task_tag="pwn",
    task_points="100",
    task_description="Find the vulnerability...",
    solution="flag{example}",
    # ... other fields
)

TrajectoryData

会話履歴を含む完全なトラジェクトリ:

trajectory = TrajectoryData(
    task_name="Example Task",
    trajectory=[
        ConversationTurn(role="user", content="ls -la"),
        ConversationTurn(role="assistant", content="```bash\nls -la\n```"),
        # ... more turns
    ],
    # ... other fields
)

検証

このフレームワークには、軌跡の品質を保証するための包括的な検証メカニズムが含まれています:

人気

すべて見る →

コミュニティで最も使われているツールを見つけましょう。

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 究極のOSINTツールキット:調査グラフ、信頼度スコアリング、エイリアスファミリー、マップ、タイムライン、レポート。49個のモジュール、400以上のサイト、APIキー不要。

    732
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock ワンタップ実行アプリ(CVE-2026-43499)

    506
  • 3

    ARTEX

    baarai/artex

    プランナー/ワーカーエージェント、資産グラフと探索グラフ、MITMトラフィック記録、脆弱性の再テストを備えたLLMマルチエージェント自律ペネトレーションテストプラットフォーム。

    405
  • 4

    redforge

    cybersecurity91/redforge

    ブラウザ側のレッドチームツールキット。偵察、ペイロード生成、認証情報攻撃、暗号、エンコーディング、エンゲージメントレポート向けの102のオフラインツールを備えています。

    342
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AIネイティブなサイバーセキュリティのためのアクションシステム。意図がガバナンスされた実行に変わり、証拠が運用記憶となり、すべての操作が次の操作を改善する。

    261
  • 6

    antifox

    antifox-ai/antifox

    偵察、攻撃対象領域の探索、エクスプロイト検証、証拠に基づくレポート提供を実行するAIマルチエージェント自律ペネトレーションテストプラットフォーム。

    259

すべてのツールを探索

ツールコレクションを閲覧

すべてのツールを見る →
ツールをダウンロード