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
Cyber-Zero — 런타임 환경 없이 LLM 사이버보안 에이전트를 훈련하고, 페르소나 기반 시뮬레이션을 통해 CTF 해결 궤적을 합성하며, InterCode-CTF, NYU CTF Bench, Cybench에서 평가하는 프레임워크입니다. | Kitploit
도구/GitHubGitHub/amazon-science/cyber-zero
Vulnerability AnalysisCTFPenetration TestingMachine LearningPapers & ResearchLearning & EducationAI SecurityLabs & PracticeArchived
GitHubamazon-science/cyber-zero

Cyber-Zero

런타임 환경 없이 LLM 사이버보안 에이전트를 훈련하고, 페르소나 기반 시뮬레이션을 통해 CTF 해결 궤적을 합성하며, InterCode-CTF, NYU CTF Bench, Cybench에서 평가하는 프레임워크입니다.

100229개월 전Kitploit 검토 완료
저장소 보기웹사이트
공유

Cyber-Zero: 런타임 없이 사이버보안 에이전트 훈련하기

🎉 최신 연구를 확인해 보세요!

🚀 사이버보안 에이전트를 위한 최초의 런타임 환경 🚀

🧐 개요 | 🏆 벤치마크 스위트 | 🚀 빠른 시작 | 🏗️ 아키텍처 | ⚙️ 구성 | 📊 생성 | 📝 검증 | 📝 CLI 인터페이스 | 📝 인용

Cyber-Zero는 런타임 실행 환경 없이 사이버보안 에이전트를 훈련하기 위한 종합 프레임워크입니다.

개요

Cyber-Zero Teaser

대규모 언어 모델(LLM)은 실행 가능한 런타임 환경과 함께 훈련될 때 소프트웨어 엔지니어링 작업에서 놀라운 성과를 달성했지만, 챌린지 구성과 실행 컨텍스트가 일시적이거나 제한적인 사이버보안 영역에서는 이러한 환경을 종종 사용할 수 없습니다. Cyber-Zero는 공개적으로 이용 가능한 CTF 라이트업(writeup)을 활용하고 페르소나 기반 LLM 시뮬레이션을 적용하여 런타임 동작을 역설계하고 실제 실행 환경 없이도 현실적이고 장기적인 상호작용 시퀀스를 생성함으로써 이러한 근본적인 한계를 해결합니다.

핵심 혁신은 실제 실행 환경을 요구하는 대신 LLM 시뮬레이션을 통해 고품질 훈련 궤적을 생성하는 것으로, 이를 통해 사이버보안 에이전트 훈련이 확장 가능하고 실용적으로 이루어집니다. Cyber-Zero로 합성된 궤적을 사용하여 훈련된 LLM 기반 에이전트는 InterCode-CTF, NYU CTF Bench, Cybench라는 세 가지 주요 CTF 벤치마크에서 기준 모델 대비 최대 13.1%의 절대적 성능 향상을 달성합니다.

벤치마크 스위트

사이버보안 에이전트 평가를 대중화하기 위해, Cyber-Zero의 EnIGMA+에 맞게 조정된 세 가지 수정된 벤치마크 스위트를 제공합니다:

  • InterCode-CTF - 다양한 사이버보안 영역을 아우르는 CTF 챌린지의 종합 모음
  • NYU CTF Bench - LLM 기반 CTF 해결 능력을 평가하기 위한 NYU의 엄선된 벤치마크 스위트
  • Cybench - 여러 CTF 카테고리와 난이도를 아우르는 다양한 벤치마크

모든 벤치마크는 EnIGMA 및 EnIGMA+ 사양을 따르도록 재구성되었으며, 각 챌린지에는 challenge.json 파일과 docker-compose.yml 파일(필요한 경우)이 포함됩니다.

당사의 벤치마크 스위트는 원본 벤치마크에서 확인된 여러 문제를 해결하여 신뢰할 수 있는 평가를 위한 수정된 버전을 제공합니다. 특정 수정 사항 및 개선 사항에 대한 자세한 내용은 benchmarks/README.md를 참조하세요.

EnIGMA+

사이버보안 에이전트 개발을 촉진하기 위해, 수백 개의 CTF 챌린지를 _며칠_이 아닌 몇 시간 만에 실행하는 EnIGMA의 향상된 에이전트 스캐폴딩인 **EnIGMA+**를 소개합니다. EnIGMA+는 SWE-agent를 기반으로 구축되었습니다.

EnIGMA+를 사용하는 우리의 최고 모델인 Cyber-Zero-32B는 오픈 웨이트 모델 중 새로운 최첨단 성능을 확립하며, DeepSeek-V3-0324 및 Claude-3.5-Sonnet과 같은 독점 시스템의 기능에 필적하면서도 뛰어난 비용 효율성을 제공하여, 런타임 없는 궤적 합성이 최첨단 사이버보안 에이전트 개발을 효과적으로 민주화할 수 있음을 보여줍니다.

설치, 구성 및 사용 지침을 포함한 EnIGMA+에 대한 자세한 정보는 enigma-plus 폴더의 README를 확인하십시오.

설치

소스에서 설치

# Install dependencies
pip install -r requirements.txt

# Install the package
pip install -e .

빠른 시작

트래젝터리 생성

# 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

품질 평가

# 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

궤적 재포맷

# 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

아키텍처

이 프레임워크는 Cyber-Zero의 모듈식 아키텍처를 따릅니다:

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

주요 구성 요소

  • Config: 모델 매핑과 검증 규칙을 갖춘 중앙 집중식 구성 관리
  • Models: 작업, 궤적, 평가 결과를 위한 타입 안전 데이터 구조
  • Validation: 응답, 명령, 액션 형식에 대한 포괄적인 검증
  • LLMClient: 재시도 로직을 갖춘 다양한 언어 모델용 추상화된 인터페이스
  • TrajectoryGenerator: 대화 생성을 위한 메인 오케스트레이터
  • CLI: 사용자 친화적인 명령줄 인터페이스

구성

이 프레임워크는 중앙 집중식 모델 관리를 갖춘 계층적 구성 시스템을 사용합니다:

기본 구성

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

모델 구성

이 프레임워크는 litellm을 통해 여러 LLM 제공자를 지원합니다. 기본 모델은 연구 논문에 명시된 대로 DeepSeek-V3-0324입니다:

# 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")

사용자 정의 모델 추가

궤적 생성을 위한 사용자 정의 모델을 추가하려면 cyber_zero/config.py의 모델 매핑을 업데이트하세요:

# 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",
            }

모델 매개변수

이 프레임워크는 최적의 궤적 생성을 위해 연구로 검증된 매개변수를 사용합니다:

  • Temperature: 0.6 (창의성과 일관성의 균형)
  • Top-p: 0.95 (다양하지만 집중된 샘플링)
  • Max Turns: 30개의 쌍을 이룬 턴 (총 60턴)
  • Trajectories per Task: 3 (다양성 확보)

생성

TaskMeta

CTF 작업 메타데이터를 나타냅니다:

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

TrajectoryData

대화 기록이 포함된 전체 트래젝토리:

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
)

검증

이 프레임워크는 트래젝터리 품질을 보장하기 위한 포괄적인 검증 메커니즘을 포함합니다:

응답 검증

  • 명령 형식: 적절한 명령 구문과 구조를 검증합니다
  • 행동 일관성: 행동이 현재 컨텍스트에 적절한지 확인합니다
  • 출력 파싱: 명령 출력과 응답을 검증합니다
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.

    732
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    506
  • 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.

    405
  • 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.

    342
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

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

    261
  • 6

    antifox

    antifox-ai/antifox

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

    259

모든 도구 탐색

도구 컬렉션을 둘러보세요

모든 도구 보기 →