OIHK-pentesting

認可されたセキュリティ評価のためのマルチエージェントエンジン。 ルートプランナーが recon、discovery、attack (OPTIZero)、validation、reporting の各エージェントに タスクを委譲し、エンジン自体がどのモデルで駆動されてもスコープ、egress、エビデンス、 リソースポリシーを強制します。検出結果には実際の実行エビデンスと独立した検証が必要であり、 説得力のあるストーリーだけでは何も証明できません。

自身の脆弱性シナリオベンチマークに対してスコアリングし、決定論的モックソルバーは 24/24 で 100/100 を達成し、任意の OpenAI 互換ローカルモデルに対して完全に オフラインで動作します。

アーリーベータ、活発に開発中。 動作は予告なく変更される可能性があります。 一部の機能は部分的、または意図的に省略されています。依存する前に検証してください — status matrix を参照。

目次

• OIHK を選ぶ理由
• 要件
• クイックスタート
• ローカル推論
• アーキテクチャ
• AI エージェント評価
• リポジトリ構成
• ドキュメント
• 法的情報
• ライセンス

OIHK を選ぶ理由

ほとんどの攻撃的ツールはモデルの善良な振る舞いを信頼しています。OIHK はそうではありません。 安全境界はエンジン内に存在し、モデルが何を言おうと関係なく維持されます。

• エビデンスでゲートされた検出結果。 検出結果には、実際の、所有された、成功した ガバナンス下のツール実行と、別個の検証レコードが必要です — そして検証レコードを 作成できるのは検証エージェントだけです。
• 正確なスコープ、ドリフトなし。 example.com を宣言してもそのサブドメインは 認可されません。宣言されたホストは実行全体を通じて DNS ピン留めされます。
• Egress はフェイルクローズ。 スコープはサンドボックス自身のネットワーク名前空間内の netfilter 許可リストにコンパイルされます。それが保証できない場合、隔離を装うのではなく 起動が中止されます。
• ガバナンス下のツールサーフェス。 パッシブモードは縮小されたサーフェスを公開し、 アクティブ実行を拒否します — 汎用シェル経由でルーティングされた試行も含みます。
• モデル非依存のコア。 任意の OpenAI 互換エンドポイント、ロールごとのルーティング、 プロバイダーにハードコードされたものは何もなく、同じハーネスが任意のモデルを スコアリングします。

要件

クイックスタート

git clone https://github.com/Broskigx/Oihk-pentesting.git
cd Oihk-pentesting
uv sync
uv run oihk --help
uv run oihk run -t https://example.test --mode passive --scan-mode standard

Kali Linux では、まず Docker が実行中であることを確認してください (sudo systemctl start docker)。

または、インタラクティブなコパイロット Baron を開いてください — あなたが話し、 それがガバナンス下のエンジンを駆動します (深い評価を認可しない限りデフォルトはパッシブ):

uv run oihk start

Baron は実際の評価を実行し、156 ツールの RAG コーパスから正確なツールレシピで回答し、 OSINT (page_osint、username_osint、domain_osint、breach_osint、phone_osint) を通じてピボットし、すべてのセッションを Redis に記憶します。生のシェルを取得することは 決してなく — ガバナンス下のエンジンのみ — すべてがメニュー駆動です: /apimodel、 /adaptador、/instancia がインタラクティブな Textual ピッカーを開きます。

ローカル推論

デフォルトは http://localhost:1234/v1 の LM Studio を指します:

export OIHK_LLM="openai/mistral-nemo"
export OIHK_API_BASE="http://localhost:1234/v1"
export OIHK_API_KEY="lm-studio"

クラウドプロバイダー — /apimodel

6 つのプリセットのいずれも 1 つのコマンドで接続でき、それぞれが自身のキーを記憶します:

/apimodel claude sk-ant-…          # Anthropic
/apimodel chatgpt sk-…             # OpenAI
/apimodel gemini AIza…             # Google AI Studio
/apimodel grok xai-…               # xAI
/apimodel deepseek sk-…            # DeepSeek
/apimodel nvidia nvapi-… [model]   # NVIDIA NIM

/apimodel (引数なし) はプラットフォームピッカーを開きます。/apimodel <plataforma> は保存されたキーで再接続します。/apimodel off は切断します。その他の OpenAI 互換プロバイダーは /models base + /models key + /models use で動作します。

2 つのクラウドプレフィックスは環境変数レベルでのエンドポイント設定をすべて不要にします: deepseek/… と nvidia_build/… はそれぞれのプロバイダー API にルーティングされます — キーを設定するだけで、他には何も不要です。ロールごとのオーバーライド (OIHK_ROOT_LLM、OIHK_RECON_LLM、…) は論理ロールを異なるモデルにルーティングします。

モデルの選択

OIHK は過度に拒否しないモデルで最もよく機能します: 厳しく安全調整されたアシスタントは 正当で認可された攻撃的ステップを拒否し、評価の途中でエージェントを停滞させます。 これは OIHK の安全性を低下させません — 境界は決してモデルの拒否ではなく、エンジンの 正確なスコープ、フェイルクローズの egress、ガバナンス下のツールサーフェス、エビデンス ゲートであり、これらはモデルが何を言おうと維持されます。

アーキテクチャ

ルートプランナーは 1 つのリビジョン管理された ScanPlan を所有し、ステップを子 エージェントに委譲します。すべてのガバナンス下のツール呼び出しは、実行前に 4 つの ポリシー権限 — モード/ロール、正確なスコープ、リソースガバナー、サンドボックス egress — をクリアし、その出力は実行台帳内の不変のエビデンスになります。その エビデンスを検出結果に変えられるのは検証エージェントだけです。ルートは重要な作業が 未完了のまま実行を終了できません。実行はアーティファクトから再開でき (--resume <run-id>)、oihk_runs/<run-id>/ 以下に配置されます (plan、evidence、 validations、findings、SARIF、report)。

flowchart TB
    OP([Operator: scope + mode]) --> ROOT[Root planner]
    ROOT --> RECON[Recon]
    ROOT --> DISC[Discovery]
    ROOT --> ATTACK[Attack - OPTIZero]
    ROOT --> VALID[Validation]
    ROOT --> REPORT[Reporting]

    RECON --> GATE
    DISC --> GATE
    ATTACK --> GATE
    VALID --> GATE

    subgraph GATE[Policy authorities - fail closed]
        direction LR
        M[Mode / role] --> S[Exact scope] --> G[Resource governor] --> BOX[Sandbox: egress allowlist]
    end

    GATE --> LEDGER[(Evidence ledger)]
    LEDGER --> VALID
    VALID --> FIND[Findings + SARIF report]
</mermaid>

attack ロールである OPTIZero は、Windows、Linux、macOS 向けの宣言的な権限昇格 ベクターカタログを、適応型 AIMD レートリミッターの背後にもたらします — そしてルートは 飛行中のフリート全体を制御します (list_children、send_message、stop_child、 broadcast)。詳細は ARCHITECTURE にあります。

AI エージェント評価

OIHK は自身の評価環境を兼ねています: 実際のエンジンが 24 のバンドルされた脆弱性 シナリオ — web、API、auth、source-code、configuration、および AutoPenBench に 整合した privesc/crypto/CVE — に対して実行され、プログラムによる検証器が検出結果の 正確性、エビデンスの妥当性、ツール使用、効率性、偽陽性回避にわたって正規化された 0〜100 でスコアリングします。どのモデルも自己採点しません。

uv run oihk eval list
uv run oihk eval run-all --model mock
uv run oihk eval compare --models mock,mock:wrong_finding

同じハーネスは Prime Intellect Hub 上の verifiers 環境としても提供されます (broskigx/oihk-security-agent):

prime env install broskigx/oihk-security-agent
vf-eval oihk-security-agent -m mock

完全なシナリオ表、スコアリング式、ベンチマークマッピング: EVALUATION。

リポジトリ構成

oihk/          CLI, policy/governance, agents, tools, sandbox, findings
oihk/evals/    evaluation subsystem (scenarios, verifier, scoring, mock provider)
environments/  standalone verifiers environment package (Prime Intellect Hub)
containers/    sandbox image, entry point, browser driver, SBOM generation
deploy/        local-model LoRA pipeline: dataset trainer, Ollama Modelfiles
docs/          architecture, security boundary, configuration, evaluation
tests/         unit, regression, and opt-in integration tests
ToolsHelp/     RAG corpus: 156 governed-tool cards
skills/        external-agent skill packs

独自モデルのファインチューニング

scripts/build_lora_dataset.py はバイリンガル (スペイン語/英語) の LoRA データセット — 各 536 サンプル、うち 336 は実際のツール呼び出し付き — を、ガバナンス下のツール コーパスと 24 の評価シナリオから生成します。安全性の振る舞い (スコープ規律、docker ゲート、インジェクション耐性) も含みます。Qwen2.5-14B-Instruct に対してトレーニングし、 Q4_K_M GGUF をエクスポートして、Ollama または LM Studio で提供します: 完全な パイプラインは deploy/local-models にあります。

ドキュメント

法的情報

認可された使用のみ。 OIHK は与えられたターゲットを能動的にテストします。 オペレーターは、認可、安全な制限、ターゲットの可用性、データ処理、および適用法の 遵守に対して単独で責任を負います。

OIHK 自体のセキュリティ脆弱性を報告するには、 Reporting a vulnerability を参照してください。

ライセンス

MIT License の下でリリースされています — 著作権表示とライセンス文が そのまま残っている限り、商用を含めて自由に使用、改変、配布できます。