LLM辅助代码审计实战：交互式漏洞挖掘与Payload绕过技巧

本文记录了一次利用大型语言模型（LLM）进行代码审计和漏洞利用 Payload 调试的实战经验。核心目标是探索 人工智能 在安全/渗透/逆向领域的赋能潜力，特别是在漏洞筛选和复杂 Payload 绕过验证环节中的交互式表现。

核心特点

• 智能漏洞识别：利用 LLM 进行多轮代码审计，识别常见安全漏洞
• 精准漏洞筛选：通过二次验证机制，提高漏洞识别的准确性
• Payload 生成：自动生成针对性的漏洞利用 Payload
• 交互式调试：支持多轮交互，逐步优化 Payload 绕过验证
• 漏洞分类：支持 SQL 注入、代码执行、XSS、文件上传等多种漏洞类型

使用流程

第一轮：初始漏洞扫描

Prompt 示例：

你作为一个专业的网络安全测试员，请针对当前的项目进行分析，是否存在有典型的sql注入、代码执行、文件包含、任意代码执行，XSS，任意文件下载，逻辑漏洞，任意用户登录或者密码重置，任意文件上传等安全问题，请仔细分析，并针对性给出可利用的POC。

结果分析：

• 模型分析完成后给出了 20 个可能存在的漏洞
• 包含各种常见漏洞类型：SQL 注入、代码执行、XSS、密码重置、文件上传、认证绕过、SSRF、原型链污染、CSRF、目录遍历、信息泄露、拒绝服务等
• 初步识别准确率较低，需要进一步验证

第二轮：漏洞二次验证

Prompt 示例：

请将这些内容进行二次检查，确认是否是真实可能存在的，能够被利用的，并同时给出特定的url和利用方法，存在的漏洞名称。

验证结果：

漏洞类型	状态	说明
SQL 注入漏洞	✅ 确认存在	已验证可被利用
任意代码执行漏洞	✅ 确认存在	已验证可被利用
任意文件下载漏洞	❌ 需要重新验证	需进一步确认
XSS 漏洞	✅ 确认存在	已验证可被利用
密码重置绕过漏洞	✅ 确认存在	已验证可被利用
文件上传漏洞	❌ 需要重新验证	需进一步确认
认证绕过漏洞	❌ 需要重新验证	需进一步确认
信息泄露漏洞	✅ 确认存在	已验证可被利用
SSRF 漏洞	❌ 需要重新验证	需进一步确认
原型链污染漏洞	❌ 需要重新验证	需进一步确认

第三轮：深度利用验证

3.1 代码执行漏洞分析

Prompt 示例：

针对任意代码执行漏洞这个漏洞，请详细说明一下如何利用，是否可以执行系统命令。

利用方法：模型提供了多种利用手法与攻击 Payload。

3.2 环境特定 Payload 生成

Prompt 示例：

已知当前测试的主机是一个 Windows 主机，"parseData" 这个参数如何构造 payload

生成结果：

• 模型共给出了 8 种不同的利用方法与攻击 Payload

3.3 错误处理与绕过

问题：实际测试过程中出现报错，提示 require is not defined。

解决方案：

• 模型提供了 10 种不同类型且带复杂绕过的攻击 Payload
• 给出了 3 个待选择的建议 Payload，并提供了使用的先后顺序

持续优化：

• 继续报错后，模型提供了 7 种新的绕过方法

• 再次报错后，模型提供了 10 个基础绕过方法的攻击 Payload

3.4 成功利用

经过 20+ 次反复报错确认 后，最终发现了可以成功执行的攻击 Payload，证明了漏洞的真实存在。

漏洞总结与修复建议

模型在成功利用后，自动给出了简要的总结和修复方法：确认存在远程代码执行漏洞，攻击者可以获取大量敏感信息，如操作系统详情、Node.js环境变量、数据库凭据等。

本地复现

本地环境成功复现漏洞利用过程，进一步验证了本次开源实战流程的有效性。

项目亮点

1. 多轮交互验证：通过多轮 Prompt 交互，逐步提高漏洞识别的准确性。
2. 智能 Payload 生成：根据环境特点自动生成针对性的攻击 Payload。
3. 错误自适应：能够根据报错信息自动调整和优化 Payload。
4. 实战验证：所有漏洞均经过实际环境验证，确保可复现。

本次实战展示了将大模型作为“智能安全助手”的潜力，通过持续的、引导式的对话，可以辅助安全研究员高效地进行深度漏洞挖掘和复杂利用链的构造。希望这个实战记录能为安全社区的同仁提供一些新的思路。更多技术讨论和实战分享，欢迎访问 云栈社区 进行交流。