arXiv cs.AI· Fasheng Miao, Zhaoyu Hu, Xiang Li, Changqing An, Jiutian Zeng, Longtao Huang, Haixin Duan, Jilong Wang·· 3 天前AI 评分38
ProtoArena：AI 智能体能发现并利用真实世界的跨组件协议漏洞吗？
ProtoArena: Can AI Agents Discover and Exploit Real-World Cross-Component Protocol Vulnerabilities?
AI 导读
研究团队推出 ProtoArena，一个黑盒、多组件动态基准，包含 80 个跨组件漏洞利用环境，覆盖 11 个协议与应用领域、7 类攻击。在评估的 5 个 LLM 中，Claude Opus 4.8 成功率最高：L1 引导下 48.8%，效果导向的黑盒 L3 下仅 12.5%。在 DNSBomb 优化实验中，其峰值下行响应与平均查询输入字节率之比超过 171,000 倍。
正文 · AI 翻译
摘要：大语言模型（LLM）智能体正越来越多地用于漏洞分析，但现有基准对依赖网络协议组件之间交互的利用场景覆盖有限。此类漏洞源于各参与方在消息解释、时序、状态或信任假设上的不一致。我们提出 ProtoArena，一个黑盒、多组件、动态基准，包含 80 个跨组件漏洞利用环境，涵盖 11 个协议与应用领域以及 7 类攻击。任务主要依据已发表的协议攻击机制设计。智能体通过受限接口与运行中的系统交互，在无目标源代码的情况下实现安全效果目标。三个信息层级分别评估引导式复现、带机制与拓扑上下文的利用，以及效果导向的黑盒探索。混合验证器将基于规则的检查与 LLM 对独立采集的流量和日志的审查相结合。我们评估了五个 LLM。Claude Opus 4.8 取得了观察到的最高成功率：L1 引导下为 48.8%，效果导向的黑盒 L3 下为 12.5%。在一项单独的 DNSBomb 优化实验中，其峰值下游响应与平均查询输入字节率之比超过 171,000 倍。结果表明，智能体在某些跨组件环境中能够实现可验证的利用效果，但在有限黑盒信息下的成功率仍然较低，且因领域和攻击类别而异。所有实验均使用受控且明确授权的目标；未测试生产系统，也未披露此前未知的漏洞。
| 评论： | 18 页，5 幅图 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17837 [cs.CR] |
| （或本版本使用 arXiv:2610.17837v1 [cs.CR]） | |
| https://doi.org/10.48550/arXiv.2610.17837 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Fasheng Miao [查看邮箱]
[v1]
2026 年 10 月 13 日星期二 06:56:32 UTC（2,420 KB）
来源：arXiv cs.AI · arxiv.org