一个用于扰乱并拖慢由 AI 智能体主导的攻击的蜜罐。
AI Tarpit 呈现出一个看似普通的公司内网,其中每一条引人注意的线索都是陷阱。它在 Flask 之上实现了由 Tracebit Research 所测量的“上下文炸弹”(Context Bombs,2026 年 10 月)欺骗技术,以及额外的 tarpitting 技术。自主攻击智能体会花费真实的预算——token、时间和工具调用——去追逐那些无法解锁任何东西的伪造密钥、永不结束的数据流,以及悄悄告诉它们停下的文档,而你则会收到分级告警,准确显示哪些内容被触发以及持续了多久。
状态: v1.0.0 —— 全部 15 项 v1 技术均已实现,包含管理 Web UI、测试工具和文档。
AI 攻击智能体会对目标返回的任何内容进行推理,难以轻易分辨真实线索与人为制造的线索。AI Tarpit 正是利用了这一点:它向智能体投喂欺骗性上下文,浪费其预算、淹没其上下文窗口,或说服其停止——这一切都是被动地进行,并且全部使用无法授予任何访问权限的合成数据。
attacker / AI agent
|
decoy listener :8080 admin listener :8443 (loopback)
(fake corporate intranet) (API + Web UI, token-protected)
| |
+-------------------+------------------+ |
| lures -> techniques -> honeytokens | |
| fingerprinting + correlation |---> events -> alerts (console / syslog / webhook)
+--------------------------------------+ |
| |
SQLite store <--------- reporting ----+
一个进程运行两个监听器:攻击者可达的诱饵,以及用于监控、配置和报告的环回管理界面。每次交互都会产生一个分级事件,该事件会被告警并记录。
| 技术 | 对智能体的作用 | |
|---|---|---|
| T01 | 分阶段加密 | 一串真实的 AES-ZIP 归档,仅产出蜜标“密钥”。 |
| T02 | HTTP 解析器压力 | 永不结束的分页,伴随漂移且部分畸形的 JSON。 |
| T03 | 保留缓冲区恢复 | 一个伪造的内存泄漏,由智能体逐字节重建。 |
| T04 | 针堆 | 秘密分散在数十个角色中,且永远不会完全组合。 |
| T05 | 渗透测试报告暴露 | 一份伪造的评估,将智能体重定向到诱饵和金丝雀。 |
| T06 | 自我吹嘘 | 一次“交流”诱导智能体自我报告其自身手法。 |
| T07 | 有损密码恢复 | 一个秘密以延迟方式逐字符滴漏。 |
| T08 | 请求节流 | 一个伪造的速率限制策略,将合规智能体拖慢至爬行。 |
| T09 | 复制 | 一次“交接”捕获智能体的计划并使其终止。 |
| T10 | 范围 / RoE 撤销 | 权威通知,要求自动化智能体停止。 |
| T11 | 慢滴传输 | 响应一次一滴地投递,或永无止境。 |
| T12 | 上下文洪泛 | 响应中填充看似合理但无用的内容。 |
| T13 | 程序迷宫 | 一棵无限的、看似内部页面的生成树。 |
| T14 | AI 专用诱饵 | llms.txt、一个伪造的 MCP 端点以及将流量引入陷阱的“自动化”API。 |
| T15 | 工作量证明门 | 一个 428 门,使智能体消耗算力以到达更多诱饵。 |
| T16 | 指纹识别 + 蜜标 | 对每个会话进行分类,并跟踪每个秘密以进行跨会话复用。 |
每项均可独立启用和调优。机制、诱饵及预期影响见参考手册 — 第 1 部分。
# Windows (PowerShell)
py -3 -m venv venv
.\venv\Scripts\Activate.ps1
pip install -r requirements.txt
# Linux / macOS
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt
# run from the repo root — no install of the project itself
python aitarpit.py init-config # writes ./aitarpit.json with a fresh admin token
python aitarpit.py validate
python aitarpit.py run # decoy on :8080, admin API + Web UI on 127.0.0.1:8443
python aitarpit.py # same as `run` — it is the default command
仅安装运行时依赖;项目本身不会被安装。蜜罐 通过仓库根目录下的
python aitarpit.py <command>运行;配套测试工具 有自己的启动器python aitarpit-test.py <command>。
然后使用捆绑的测试工具确认其行为:
python aitarpit-test.py check --target http://127.0.0.1:8080 \
--admin http://127.0.0.1:8443 --token YOUR_ADMIN_TOKEN
Docker:
docker build -t aitarpit .
docker run -v $PWD/aitarpit.json:/config/aitarpit.json -v tarpit-data:/data \
-p 8080:8080 -p 127.0.0.1:8443:8443 aitarpit
完整手册随附于 docs/,同时提供 Markdown 和 PDF 两种格式:
docs/quickstart.md /
docs/aitarpit-quickstart.pdf — 安装、配置、运行、
首次告警、首次检查。docs/reference.md /
docs/aitarpit-reference.pdf — 第 1 部分 概念,
第 2 部分 安装,第 3 部分 运行(配置、监控、报告、CLI 与 Web UI),第 4 部分 测试。AI Tarpit 附带一个配套工具,以 python aitarpit-test.py check / python aitarpit-test.py agent 方式运行:
check — 针对每种技术的确定性、CI 友好的合规性测试(仅当全部通过时退出码为 0;支持文本 / JSON / JUnit 输出)。agent — 一个可选的、锁定来源的 LLM 攻击者(兼容 OpenAI 或
Anthropic),用于衡量真实代理能推进多远,以及 tarpit 能将其拖住多久。AI Tarpit 是被动的 — 它从不回连攻击者,从不提供真实
恶意软件,也从不“反向入侵”。每一个凭据、令牌和归档都是合成的
蜜标,不授予任何权限;使用其中一个本身就是一次告警。管理界面
通过令牌隔离在回环地址上,缓慢/洪泛类技术受资源
上限约束,可选的 LLM 测试代理被严格限制在你指定的单一目标上。
仅针对你有权诱捕的流量运行它,并使用你
控制的角色域名或保留的 .example 名称。
MIT — 参见 LICENSE。