.png){kind=icon}
返回
Pwnagent: a knowledge-guided multi-agent system for automatic exploit generation
.png){kind=icon}
OA
AI
DOI：10.1186/s42400-026-00649-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动利用生成（AEG）通过识别漏洞和构造功能有效载荷在软件威胁的主动评估中发挥着重要作用。然而，现有的基于大型语言模型（LLM）的方法往往难以推理复杂的利用逻辑和执行运行时自省，导致静态漏洞分析与动态内存行为之间存在差距。我们提出了PwnAgent，一个由LLM驱动的多智能体框架，用于端到端的利用生成，结合了进攻领域知识与主动运行时自省。PwnAgent使用分层知识库进行多阶段利用推理，并通过反馈驱动的自我修正引擎在执行过程中校准动态内存参数。由于广泛的Capture The Flag（CTF）基准测试提供的二进制利用深度有限，且针对pwn的特定评估必须在可重复性、难度递进和利用多样性之间取得平衡，我们构建了一个包含66个任务的pwn基准测试，主要基于公开的CTF风格挑战。该基准测试主要由Linux x86/x86-64 ELF二进制文件和面向栈的任务组成，同时包含较小的格式字符串、堆、整数溢出、ARM和MIPS子集，用于在主导设置之外的有限探测。在相同的最新Kimi-K2.6后端下，PwnAgent实现了62.12%的端到端成功率，而评估的PwnGPT基线为31.82%，提升了30.30个百分点。这些对比结果表明，结构化知识指导、基于执行的测量和反馈修复在评估设置中改进了基于LLM的利用生成，而绝对成功率则显示完全自主的利用仍具挑战性。
Keyword:
Automatic exploit generation
Multi-agent systems
Large language models
Knowledge-guided reasoning
Dynamic introspection
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
3.7
论文数:
589
被引数:
1.0K
机构
暂无机构信息
.png){kind=icon}
