← 返回列表

基于GLM-5.2的漏洞挖掘实践

聚合站 SecWiki技术 作者 绿盟科技 发布 2026年8月3日 17:12 入库 2026-11-18T01:51:01

大语言模型本身具备代码语义理解与逻辑推导能力,漏洞挖掘本质上是基础代码能力在安全场景中的具体应用。但在大型企业级工程项目中,直接使用原生Agent开展自动化漏洞挖掘,极易受到上下文超限、分析链路断裂等工程化限制。为此,绿盟科技与智谱联合开展AI漏洞挖掘研究,自主搭建了可工程落地的AI自动化漏洞挖掘平台,并建立了标准化的工程测试基座,截至目前,该平台已在多款主流开源系统中累计挖掘出数百个 有效高危漏洞,充分验证了AI自动化挖掘 0day 漏洞的工程可行性与实战价值。

01

大模型原生Agent漏洞挖掘的工程化挑战

尽管大模型具备突出的代码理解与逻辑推理能力,但在企业级大型工程项目应用中,仅依靠直接调用大模型原生Agent完成源码漏洞挖掘的全流程自动化,仍面临工程化瓶颈,主要体现在以下两大核心维度:

输入过载:源码噪音挤压有效分析空间

企业级项目代码规模庞大,有效语义密度极低,注释、日志及局部变量等冗余内容大量占用模型上下文窗口,导致模型算力被无效信息分散消耗,大幅削弱对核心数据流与调用链的识别精度。

流程复杂:多阶任务难以单轮线性承载

完整代码漏洞挖掘包含入口识别、危险 Sink 定位、调用链逆向追踪、源码漏洞验证校验、PoC 生成、漏洞质检六大核心步骤,单次大模型会话在面对跨层级、长链路的复杂场景时,极易出现上下文状态丢失、推演逻辑断裂及输出结果不具备标准化复现能力等工程化难题。

02

工程化破局:PSI 结构化建模与多 Agent 任务解耦

为破解源码输入过载、审计流程复杂两大核心工程化难题,本方案构建了“结构化提纯+任务协同解耦”的双层架构,即通过 PSI (程序结构接口)代码结构化建模过滤源码噪音,搭建多Agent分工协作的自动化漏洞挖掘流水线,完成从漏洞发现到报告生成的工作闭环。

PSI 代码结构化建模:剥离源码噪音,为模型减负增效

方案摒弃了原始文本粗放投喂给模型的模式,将非结构化源码转化为可检索、可计算的结构化关系数据,只保留代码骨架,使源码从庞杂的“全景图” 提炼为清晰的 “导航图”。模型无需全文阅读源码,仅凭结构化查询,即可精准找出从sink点到source入口的完整调用链,从源头破解“输入过载”问题,最大化释放模型的推理算力。

源码解析提纯:自定义 Java 源码解析器,基于 PSI 思想对 AST(抽象语法树)轻量化压缩。仅保留类、方法、属性、方法调用、注解五大核心语义节点,剔除分支判断、局部变量、日志打印等干扰信息。

轻量持久化存储:采用SQLite 数据库存储结构化代码元数据,设计多张核心业务表构建代码全局关系网络。

实战演示效果图

多 Agent 任务解耦:基于模型能力搭建挖洞专家团队

方案采用 Master-Worker 多智能体架构,打破单一大模型 “全能审计” 的局限,将漏洞挖掘流程拆解为专业化子任务,主Agent(Master)作为全局流程统筹调度中枢,将各类专项审计任务分发至各专业子 Agent(Worker) 协同完成全链路自动化审计,保障自动化代码审计流程稳定、持续推进。

主 Agent,项目调度中枢:专注于全局作业统筹与分发管控,不参与具体源码分析环节。主要负责制定标准化全流程审计流水线,拆解复杂挖洞任务、分配子任务至各专业子Agent,汇总全部分析结果、统一校验并输出标准化漏洞报告。

专业子 Agent,领域专家:每一类专业 Worker 均为独立智能体,针对性承载细分漏洞挖掘任务。调用链追踪 Agent,执行逆向广度优先搜索,还原全链路风险路径;源码交叉验证 Agent,校验链路参数可控性,挖掘常规扫描遗漏的业务逻辑 0day 漏洞;QC 质检 Agent:二次校验漏洞判定逻辑,拦截模型幻觉导致的误报,保障漏洞结论真实可复现。

03

统一工程化基准下的多模型实测与评估

为了客观评估不同大模型在真实企业级工程中的漏洞挖掘能力,本研究基于“PSI 结构化建模与多 Agent 任务解耦”双层架构,自主搭建了AI漏洞挖掘平台。该平台架构实现了AI 算力层与工程调度层的完全解耦,可在统一上下文与Agent工作流下灵活对接各类大模型,为后续对照实验提供了统一的测试基座。

本次实测选取了含10000+ 个源码文件的万级文件 Java 后端项目作为测试靶场,对 DeepSeek V4 Pro、GLM-5.1、GLM-5.2、Sonnet4.6多款主流大模型开展对照实验。统一测试基准如下:381 处预识别危险 Sink 点,最终确认 4 个 Critical 级 0day 反序列化漏洞。

本次实测的核心测试数据取平均值如下:

1

漏洞发现趋同,差异体现在路径挖掘深度

四款模型均成功检出4个Critical级0day漏洞,基础检出能力趋同,但在调用链还原上存在显著差异:GLM-5.2产出118条,较DeepSeek V4 Pro(98条)多出20%,Sonnet 4.6产出80条且覆盖度仅80%,路径还原完整性存在差距。

2

效率与深度呈现不同权衡策略

DeepSeek V4 Pro以42分钟最短耗时完成审计,适合追求快速反馈的批量场景;GLM-5.2在50分钟内产出118条调用链,在深度与效率间实现更优平衡;GLM 5.1与Sonnet 4.6分别耗时 70 分钟与 68 分钟,单位时间产出相对较低。

3

Token资源效率存在模型差异

按每万Token有效调用链数量计算,DeepSeek V4 Pro、GLM 5.1、GLM-5.2 的推理密度相近(约 2.1–2.3 条),Sonnet 4.6 约为 1.27 条,同等算力投入下的有效产出相对较低。

综上对比,在统一工程基底下,四款模型均能命中 Critical 漏洞,智谱 GLM 系列大模型在代码语义理解、多步骤逆向推理、漏洞严谨复核层面具备显著优势,特别是GLM-5.2 以"中等资源消耗+短时间成本+高路径产出"的组合,在长链路漏洞挖掘场景中展现出更优的综合效能。

04

企业级工程交付能力转化

本次实测所使用的AI漏洞挖掘平台,已完成从研究原型到工程化交付的转化。截至目前,该平台已在多款主流开源系统中累计挖掘出数百个有效高危漏洞,充分验证了AI自动化挖掘 0day 漏洞的工程可行性与实战价值。

双模式交付,覆盖全场景审计需求

1.私有化部署,适合核心业务系统漏洞排查,灵活对接用户自建大模型或主流互联网大模型 API,确保敏感代码资产不出域,开箱即用;

2.SaaS订阅,特别适合开源代码、非核心代码的快速漏洞排查,支持按年/按月/按季度订阅制,全程AI自动化审计,无需人工干预。

技能库持续迭代,能力随威胁演进同步升级

用户可根据开发技术栈、漏洞关注偏好等按需选购漏洞挖掘技能库,涵盖最新漏洞审计方法论、实战 Payload 及拓展工具集,紧跟威胁演进同步迭代,持续增强漏洞检出深度与覆盖范围。

绿盟AI漏洞挖掘平台-自动化审计报告展示

AI漏洞挖掘的落地,从不是单点模型能力的比拼,也不是平台工程的单兵作战。顶尖大模型的代码语义理解能力与逻辑推理能力是AI漏洞挖掘的核心基础;成熟的工程化平台则是破解场景限制、最大化释放模型能力的必要载体,两者相辅相成,缺一不可。未来,绿盟科技将持续与智谱等优秀模型厂商并肩探索,不断打磨平台工程化水平,沉淀更多实战技能,携手推进AI自动化漏洞挖掘的规模化落地,为企业安全筑牢智能防线。

原文链接:https://mp.weixin.qq.com/s/wOrdQmnmr-7H-kTCM6aLeA