Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
challenge_repo — Repositório estruturado de desafios que oferece recompensas por quebrar um gerador de números aleatórios baseado em rede neural validado contra os padrões NIST SP 800-22 e SP 800-90B. | Kitploit
Ferramentas/GitHubGitHub/quevatech/challenge_repo
CriptografiaCTFAprendizado de MáquinaAprendizado e EducaçãoLabs e Prática
GitHubquevatech/challenge_repo

challenge_repo

Repositório estruturado de desafios que oferece recompensas por quebrar um gerador de números aleatórios baseado em rede neural validado contra os padrões NIST SP 800-22 e SP 800-90B.

Ver Repositório
39há 18 diasAinda não revisado
Compartilhar
The Entropy Challenge — QuevaTech

NIST SP 800-22: 180 of 188 sub-tests passed Conservative min-entropy: 0.9467 bits per bit Sample: 11.16 MB, sha256 verified Results reproducible in CI

English · Türkçe


A alegação

Construímos um gerador de números aleatórios que usa ruído de RF, o processa por meio de um estágio de condicionamento neural proprietário e pós-processa o resultado com SHA-3 / SHAKE-256. Alegamos que a saída é indistinguível de uma fonte aleatória ideal — que nenhum distinguidor estatístico ou aprendido consegue superar o acaso sobre ela.

Publicamos a saída e os relatórios de verificação. Não publicamos o gerador.

O pedido é uma linha: prove que estamos errados.

A fonte em três camadas

RF noise, neural conditioning, SHA-3 conditioning
CamadaComponenteFunçãoPublicado
01Ruído de RFFonte física, não determinística (estocasticidade atmosférica)✗
02Condicionamento neuralExtração de características não lineares do sinal de RF bruto✗
03SHA-3 / SHAKE-256Condicionamento criptográfico e branqueamento (estilo SP 800-90B)✗
→Arquivo de amostra11,16 MB de saída, idêntico bit a bit à execução certificada✓

O SHA-3 aqui é usado estritamente como componente de condicionamento, nunca como fonte de entropia. O condicionamento só pode reduzir a entropia; não pode fabricá-la.

O que você está atacando

ItemValor
Amostrav2_submission/data/v2_random_sample.bin
Tamanho11.702.528 bytes · 93.620.224 bits
SHA-2569e78d28edfe7fe1e1a76a3da5eee805c2a472fe43d0abfe873b170a5453dacd1
CertificaçãoTEST_REPORT.md — SP 800-22, SP 800-90B, Dieharder, AIS 31
Pipeline.github/workflows/nist-tests.yml

Principais resultados

MétricaValorLeitura
NIST SP 800-22 (C STS oficial)180 / 188 sub-testes aprovados95,7 %; falhas dentro da taxa esperada de ~1 % por teste
SP 800-90B, avaliação IIDH = 7,9675 bits/bytepremissa IID confirmada
SP 800-90B, não IID (conservador)min-entropia 7,5739 bits/byte → 0,9467 bits/bito número que defenderemos
Ataque de predição de Markovmelhor 50,06 %indistinguível de uma moeda
Distinguidor de ML (GBM, RF)melhor 51,25 %, p = 0,36nenhuma vantagem significativa
Autocorrelação, defasagens 1–10002 defasagens significativas (esperado ~2,7)nenhuma periodicidade

Leia o número conservador. 0,9996 bits/bit é a estimativa MCV IID; 0,9467 bits/bit é o limite não IID determinado pelo estimador de t-tuplas. Um fluxo condicionado deveria parecer perfeito para testes IID — isso prova muito pouco. O limite que defenderemos é 0,9467 bits/bit.

Reverificação independente

Não é uma alegação, é um comando:

python tools/verify_sample.py
VerificaçãoObservadoCritério
SHA-256 / tamanhocorresponde ao relatório certificadoexato
Equilíbrio de bits49,999 % de uns, monobit p = 0,847p > 0,01
Uniformidade de bytesχ² = 248,39 (df 255), p = 0,605p > 0,01
Média / desvio de bytes127,49 / 73,906127,5 / 73,90
Correlação serial, lags 1–8máx |ρ| = 0,00031< 0,000877 (3σ)
Maior sequência idêntica28 bits≈ log₂(93,6 M) ≈ 26,5
Blocos duplicados de 16 bytes0 de 731.4080
Limite de compressão8,0024 bits/byte> 7,99

Todas as oito verificações passam, e o script termina com código diferente de zero se alguma deixar de passar. Este é deliberadamente o conjunto de testes mais barato possível: destina-se a ser trivial de executar, não a substituir a certificação.

O desafio

Três níveis, por ordem crescente do que um sucesso provaria.

NívelPerguntaCritério de aceitaçãoReconhecimento
🥇 L1 · PreditorConsegue prever o bit N+1?Em N = 100.000 bits reservados: precisão ≥ 50,52 % (p bilateral < 0,001). É permitido um N superior; o limiar decorre do teste binomial.Hall of Fame + certificado
🥈 L2 · DistinguidorConsegue distinguir-nos de os.urandom?≥ 100.000 amostras por classe, vantagem > 0,01 com p < 0,001, avaliada num fluxo que nunca viu.Hall of Fame, menção nominal
🥉 L3 · Detetor de padrõesTodos os testes padrão deixaram passar algo?Um enviesamento ou período que sobreviva à correção para comparações múltiplas com p < 1e-6 e se reproduza numa segunda amostra.Hall of Fame, reconhecimento público

Protocolo — o que torna isto falsificável

  1. Uma amostra, um hash. Ataca o ficheiro acima. Ninguém recebe uma amostra privada; o hash torna a substituição visível.
  2. Pré-registo. Abra um PR com o seu método antes de ver o fluxo de avaliação. Divulgamos o fluxo depois de o método estar congelado.
  3. Uma tentativa por nível por trimestre. p < 0,001 significa que uma tentativa em mil tem sucesso por sorte; tentativas ilimitadas acabariam por quebrar qualquer gerador, incluindo os.urandom.
  4. O script árbitro decide. tools/referee.py executa o seu método congelado contra o fluxo reservado e escreve results.json. Uma descoberta sem esse ficheiro não é uma descoberta.
  5. Também publicamos as falhas. Cada submissão e cada execução do árbitro é registada no Hall of Fame, incluindo as que não provam nada.

Hall of Fame

DataInvestigadorNívelResultadoEvidência
—o seu nome———

Reproduzir a certificação localmente

pip install -r requirements.txt

# 1. cheapest gate, ~10 s
python tools/verify_sample.py

# 2. NIST SP 800-22 official C implementation (89 streams × 1 Mbit)
git clone --depth=1 https://github.com/arcetri/sts && (cd sts && make legacy)
bash tests/run_sts.sh v2_submission/data/v2_random_sample.bin sts/sts_legacy_fft 89 results/

# 3. NIST SP 800-90B official tools (ea_iid + ea_non_iid)
bash tests/run_ea90b.sh v2_submission/data/v2_random_sample.bin 8 results/

# 4. attack suite: Markov prediction, ML distinguisher, autocorrelation, leakage
python tests/security_tests.py --file v2_submission/data/v2_random_sample.bin

Limites honestos

Uma lista curta do que este repositório não prova. Escondê-la seria a primeira coisa que um revisor sério notaria, por isso ela está aqui.

Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 O kit definitivo de OSINT: grafo de investigação, pontuação de confiança, famílias de alias, mapa, linha do tempo e relatórios. 49 módulos, mais de 400 sites, sem necessidade de chaves de API.

    786
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicativo de Execução em Um Toque GhostLock (CVE-2026-43499)

    506
  • 3

    ARTEX

    baarai/artex

    Plataforma autônoma de testes de penetração multiagente com LLM, com agentes planejador/executor, grafos de ativos e de exploração, registro de tráfego MITM e reteste de vulnerabilidades.

    429
  • 4

    redforge

    cybersecurity91/redforge

    Kit de ferramentas de red team do lado do navegador com 102 ferramentas offline para reconhecimento, geração de payloads, ataques a credenciais, criptografia, codificação e relatórios de engajamento.

    345
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    O sistema de ação para cibersegurança nativa em IA—onde a intenção se torna execução governada, a evidência se torna memória operacional, e cada operação melhora a próxima.

    262
  • 6

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingere relatórios do Shadowserver no MongoDB e os reproduz como mapas interativos, análises, descobertas, avisos e painéis executivos.

    256

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →