Pentest ThinkingMCP
研究论文的主要和基础实现：
LIMA：利用大型语言模型和MCP服务器进行初始机器访问
该项目是本文中描述的主要和幼稚的系统，为使用大型语言模型（LLM）和模型上下文协议（MCP）服务器协调自动初始访问侦察、枚举和开发提供了一个实用的框架。
______________________________________________________________________
研究背景
该存储库是本文中引用的主要代码库 _LIMA：利用大型语言模型和MCP服务器进行初始机器访问_该研究引入了LIMA，这是一个模块化系统，将现成的LLM与MCP服务器配对，以自动化侦察、枚举、漏洞评估和利用等渗透测试任务。该项目展示了LLM如何自主推理攻击路径，生成漏洞，并在公共HackTheBox机器和自定义环境中以最少的人为输入完成初始访问挑战。
研究的主要亮点：
- 对于某些任务，LIMA的完成速度比专家测试人员快2倍，包括自主验证码解决和攻击链执行。
- 该系统在初始访问阶段为人工智能增强渗透测试提供了第一个定量基线。
- 模块化设计允许其他LLM轻松集成，以供未来的研究和开发。
有关更多详细信息，请参阅全文或此存储库中的摘要。
______________________________________________________________________
什么是PentestThinkingMCP？
Pentest ThinkingMCP 是一种先进的模型上下文协议（MCP）服务器，旨在为人类和人工智能五酯提供支持。它提供：
- 使用波束搜索和蒙特卡洛树搜索（MCTS）的自动攻击路径规划
- CTF、Hack The Box（HTB）和现实世界渗透测试的逐步推理
- 攻击步骤评分和优先级
- 每个步骤的工具建议（例如nmap、metasploit、linpeas）
- 突出显示最有前景的漏洞利用链的关键路径
- 基于树的报告和文档推理
______________________________________________________________________
为什么它很特别？
- 将LLM提升到一个新的水平： 将普通的法学硕士转变为结构化、有条不紊的最重要的规划师和顾问
- 自动化复杂推理： 发现多阶段攻击链，而不仅仅是单个漏洞
- 适用于CTF、HTB和现实世界的渗透测试： 适应任何需要逐步攻击逻辑的场景
- 弥合人工智能和黑客之间的差距： 使人工智能成为进攻性安全的真正合作伙伴
______________________________________________________________________
特性
- 攻击建模的双重搜索策略：
- 具有可配置宽度的波束搜索（用于有条不紊地发现漏洞链） - 复杂决策空间的MCTS（用于未知的动态攻击场景）
- 证据/漏洞评分和评估
- 基于树的攻击路径分析
- 潜在攻击向量的统计分析
- MCP协议合规性
______________________________________________________________________
它是如何工作的？
- 输入：\
您（或您的AI）提供当前的攻击步骤/状态（例如，“在10.10.10.10上枚举SMB”）。
- 推理：\
服务器使用Beam Search或MCTS来探索可能的下一步，对其进行评分和优先级排序。
- 输出：\
返回下一个最佳攻击步骤、完整攻击链、推荐工具，并突出显示关键路径。
______________________________________________________________________
示例工作流：求解HTB机器
- 侦察：\
输入： attackStep: "Start with initial recon on 10.10.10.10"\ 输出： Run nmap -p- 10.10.10.10 （推荐工具：nmap）
- 枚举：\
输入： attackStep: "Run nmap -p- 10.10.10.10"\ 输出： Enumerate SMB on port 445 （推荐工具：enum4linux）
- 漏洞分析：\
输入： attackStep: "Enumerate SMB on port 445"\ 输出： Search for public SMB exploits (CVE-2017-0144) （推荐工具：searchsploit）
- 开采：\
输入： attackStep: "Search for public SMB exploits (CVE-2017-0144)"\ 输出： Exploit SMB with EternalBlue (CVE-2017-0144) （推荐工具：metasploit）
- 特权升级：\
输入： attackStep: "Got shell as user"\ 输出： Run winPEAS for privilege escalation checks （推荐工具：winPEAS）
- 根/标志：\
输入： attackStep: "Found user.txt, need root"\ 输出： Check for AlwaysInstallElevated misconfiguration （推荐工具：人工调查）
______________________________________________________________________
安装
git clone https://github.com/ibrahimsaleem/PentestThinkingMCP.git
cd PentestThinkingMCP
npm install
npm run build______________________________________________________________________
用法
- 添加到您的MCP客户端（Cursor、Claude Desktop等）作为服务器：
{
"mcpServers": {
"pentestthinkingMCP": {
"command": "node",
"args": ["path/to/pentestthinkingMCP/dist/index.js"]
}
}
}- 通过发送攻击步骤和接收下一步建议、工具建议和攻击路径树与之交互。
______________________________________________________________________
Pentesting的搜索策略
束搜索
- 维护一组固定宽度的最有希望的攻击路径或漏洞链。
- 最适合逐步进行漏洞利用开发和已知漏洞模式匹配。
- 最适合：枚举攻击向量、有条不紊的漏洞链接、逻辑漏洞寻路。
蒙特卡洛树搜索（MCTS）
- 基于仿真的潜在攻击面探索。
- 在探索新的攻击媒介和利用已知弱点之间取得平衡。
- 最适合：复杂的网络渗透测试、结果不确定的场景、高级持续威胁（APT）模拟。
______________________________________________________________________
算法详细信息
- 攻击向量选择
- 波束搜索：评估并排名多个潜在的攻击路径或漏洞利用链。 - MCTS：使用UCT进行节点选择（潜在的漏洞利用步骤）和随机部署（模拟攻击进程）。
- 证据/漏洞评分基于：
- 可利用的可能性 - 潜在影响（CIA三联） - CVSS分数或类似指标 - 攻击链中的连接强度（例如，漏洞A能够利用漏洞B）
- 流程管理
- 基于树的攻击进展状态跟踪 - 成功/失败模拟攻击路径的统计分析 - 根据最重要的目标进行进度监控
______________________________________________________________________
用例
- 自动漏洞识别和链接
- 利用寻路和优化
- 攻击场景模拟和“如果”分析
- 红队战略制定与细化
- 通过建议潜在途径协助手动渗透测试
- 复杂攻击向量的决策树探索
- 实现特定最重要目标的策略优化（例如，数据泄露、特权升级）
______________________________________________________________________
许可证
麻省理工学院