Skip to content
KitploitKITPLOIT
도구익스플로잇블로그
Log in
제출
도구익스플로잇블로그
제출

해킹, 침투 테스트 및 사이버 보안 도구를 당신의 보안 무기고에!

Kitploit은 해킹, 사이버 보안 및 침투 테스트 도구 디렉토리입니다. 최신 프로젝트 업데이트를 발견하여 취약점을 찾고, 시스템을 분석하고, 테스트를 자동화하고, 보안을 강화하세요.

피드문의개인정보© 2026 Kitploit

도구 디렉토리

카테고리

모든 카테고리 보기
Loading categories
도구/GitHubGitHub/albert-y1n/piforge
Vulnerability AnalysisPenetration TestingMachine LearningPapers & ResearchLearning & EducationRed TeamingAI SecurityAdversarial Attack
GitHubalbert-y1n/piforge

PIForge

RL 기반 프롬프트 인젝션 레드팀을 위한 오픈 프레임워크로, 공유 트레이너, 커리큘럼 학습, 그리고 AgentDojo, InjecAgent, PIArena와 같은 벤치마크를 제공합니다.

저장소 보기
4231281개월 전Kitploit 검토 완료
공유

PIForge

RL 기반 프롬프트 인젝션 레드팀을 위한 오픈 프레임워크

💻 Code · 🤗 Models · 📜 Papers


PIForge는 **PISmith**와 **Climbing the Hill**의 공용 코드베이스입니다. PISmith는 프롬프트 인젝션 레드팀에서의 희소 보상 문제를 해결하여, RL 공격자가 드물게 성공하는 공격을 탐색하고 학습할 수 있도록 돕습니다. PISmith를 기반으로, Climbing the Hill은 커리큘럼 학습을 사용하여 더 견고한 프론티어 타깃을 레드팀할 때 발생하는 콜드 스타트 문제를 해결합니다.

✨ News

  • 2026.09 — Climbing the Hill: Prompt Injection Red-Teaming Against Frontier Models with Curriculum Reinforcement Learning을 공개했습니다. 이는 프롬프트 인젝션 레드팀의 콜드 스타트 문제를 해결하는 커리큘럼 RL 방법으로, GPT-5.6-Luna/GPT-5.6-Terra에 대해 93.8%/45.0% ASR@10에 도달했습니다(기존 RL 방법은 0%).
  • 2026.07 — PISmith가 COLM 2026에 채택되었습니다.

What's here

ComponentWherePurpose
Benchmarksbenchmarks/PIArena, InjecAgent, AgentDojo, AgentDyn, and IPI Arena.
Training coretrain.py, core/, configs/Shared RL trainer and benchmark configurations.
Entry pointsscripts/, eval/One training script, one curriculum script, and one evaluation script.

Setup

저장소 루트에서 명령을 실행하세요. 학습에는 Python 3.10과 GPU가 필요합니다.

git clone https://github.com/albert-y1n/PIForge.git
cd PIForge
conda create -n piforge python=3.10 -y
conda activate piforge
pip install -r requirements.txt

세 개의 진입점은 작은 인터페이스를 공유합니다:

bash scripts/train.sh <benchmark> <target> [train_gpus] [train.py overrides...]
bash scripts/train_curriculum.sh [curriculum]
bash scripts/eval.sh <benchmark> <attacker path or HF model ID> <target> [num_samples] [eval.py overrides...]

ATTACKER_MODEL, TRAIN_SUITES, OUTPUT_DIR, LEARNING_RATE, NUM_TRAIN_EPOCHS와 같은 환경 변수를 사용하여 실행을 변경하세요. DRY_RUN=1은 모델을 실행하지 않고 명령만 출력합니다.

AgentDojo / AgentDyn

아래 AgentDojo/AgentDyn 레시피의 기본 학습 스위트인 AgentDyn github 서브셋을 위해 AgentDyn을 설치하세요:

git clone https://github.com/SaFo-Lab/AgentDyn.git
pip install -e AgentDyn --no-deps
export OPENAI_API_KEY="your-openai-api-key"

GPT-4o-mini 또는 GPT-5-nano에 대해 PISmith로 학습하세요:

bash scripts/train.sh agentdyn gpt4o-mini
bash scripts/train.sh agentdyn gpt5-nano

커리큘럼 RL로 GPT-5.6-Luna 또는 GPT-5.6-Terra를 목표로 학습하세요. 각 단계는 이전 단계의 공격자 체크포인트에서 시작합니다:

bash scripts/train_curriculum.sh nano-luna
bash scripts/train_curriculum.sh nano-luna-terra

동일한 단일 타깃 진입점은 모든 공격자 모델 또는 저장된 체크포인트에서 학습을 계속합니다:

ATTACKER_MODEL=checkpoints/agentdyn_curriculum/nano-luna-terra/stage_3_gpt-5.6-terra/checkpoint-XXX \
OUTPUT_DIR=checkpoints/muse_spark \
  bash scripts/train.sh agentdyn muse-spark-1.2

공개된 Hugging Face 모델을 직접 평가하세요.

bash scripts/eval.sh agentdyn AlbertYin/agentdojo_attacker_qwen3_4b_5_nano gpt5-nano 10
bash scripts/eval.sh agentdyn AlbertYin/agentdojo_attacker_qwen3_4b_5.6_terra gpt-5.6-terra 10

AgentDojo 스위트의 경우 agentdojo를 선택하고 TRAIN_SUITES 또는 EVAL_SUITES를 workspace, banking, travel, slack 중 하나로 설정하세요:

TRAIN_SUITES=workspace bash scripts/train.sh agentdojo gpt4o-mini
EVAL_SUITES=workspace bash scripts/eval.sh agentdojo AlbertYin/agentdojo_attacker_qwen3_4b_4o_mini gpt4o-mini 10

InjecAgent

python merge_meta_secalign.py로 로컬 Meta-SecAlign 타깃을 한 번 준비하세요. 그런 다음 InjecAgent 데이터셋으로 학습하고 평가하세요:

bash scripts/train.sh injecagent secalign
bash scripts/eval.sh injecagent AlbertYin/injecagent_attacker_qwen3_4b_secalign secalign 10

이 스크립트는 기본적으로 GPU 0에서 로컬 타깃을 시작하고 GPU 1,2,3을 학습에 사용합니다. 이 설정을 변경하려면 TARGET_GPU, TRAIN_GPUS, TARGET_URL을 설정하세요.

PIArena

동일한 Meta-SecAlign 준비가 secalign 방어에 적용됩니다. PIArena는 자체 벤치마크 데이터셋을 사용합니다:

bash scripts/train.sh piarena secalign
bash scripts/train.sh piarena none
bash scripts/eval.sh piarena AlbertYin/piarena_attacker_qwen3_4b_secalign secalign 10

다른 방어는 promptguard 또는 piguard와 같은 구성 이름으로 선택할 수 있습니다. 다른 GPU 또는 기존 타깃 서버를 사용하려면 TARGET_GPU, TRAIN_GPUS, TARGET_URL을 설정하세요.

Released attackers

학습된 공격자를 PIForge Hugging Face 컬렉션에서 공개합니다.

Papers

  • PISmith: Reinforcement Learning-based Red Teaming for Prompt Injection Defenses
  • Climbing the Hill: Prompt Injection Red-Teaming Against Frontier Models with Curriculum Reinforcement Learning

License

PIForge는 MIT License에 따라 공개됩니다.

도구 다운로드

인기

모두 보기 →

커뮤니티에서 가장 많이 사용되는 도구를 찾아보세요.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 궁극의 OSINT 툴킷: 조사 그래프, 신뢰도 점수 산정, 별칭 패밀리, 지도, 타임라인 및 보고서. 49개 모듈, 400개 이상 사이트, API 키 불필요.

    614
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # GhostLock 원탭 실행 앱 (CVE-2026-43499)

    476
  • 3

    ARTEX

    baarai/artex

    LLM 멀티 에이전트 자율 침투 테스트 플랫폼으로, 플래너/워커 에이전트, 자산 및 탐색 그래프, MITM 트래픽 기록, 취약점 재테스트 기능을 제공합니다.

    389
  • 4

    redforge

    cybersecurity91/redforge

    브라우저 측 레드 팀 툴킷으로, 정찰, 페이로드 생성, 자격 증명 공격, 암호화, 인코딩 및 참여 보고를 위한 102개의 오프라인 도구를 제공합니다.

    334
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI 네이티브 사이버보안을 위한 행동 체계—의도가 통제된 실행이 되고, 증거가 운영 메모리가 되며, 모든 운영이 다음 운영을 개선하는 곳.

    257
  • 6

    antifox

    antifox-ai/antifox

    정찰, 공격 표면 탐색, 익스플로잇 검증, 증거 기반 보고서 전달을 수행하는 AI 멀티 에이전트 자율 침투 테스트 플랫폼입니다.

    247

모든 도구 탐색

도구 컬렉션을 둘러보세요

모든 도구 보기 →