2026-06-30 06:19:54 网络安全文章来源：ZONE.CI 全球网 0 阅读模式

文章总结： 本文介绍利用AI对SRC资产进行智能排序的方法，通过数据收集、特征评分和AI分析三步骤，根据资产价值、漏洞历史、开放端口等维度综合打分生成优先级清单。实战案例显示该方法能显著提升漏洞挖掘效率，作者通过Nacos未授权、Swagger泄露等案例单日获得25000元赏金。文章包含完整的自动化脚本框架和操作指南，强调AI在安全测试中的决策辅助作用。 综合评分： 87 文章分类： 渗透测试,安全工具,实战经验,安全运营,漏洞分析

cover_image

别瞎扫了！我用AI给几千个SRC资产排了个序，专挑软柿子捏

原创

逍遥逍遥

昆仑AI安全实验室

2026年6月30日 01:39 广东

在小说阅读器读本章

去阅读

做SRC久了，最大的痛苦不是挖不到漏洞，而是资产太多不知道从哪下手。一个大厂SRC少说几百个域名，加上子公司、边缘业务、测试环境，几千个URL压下来，人肉一个一个测根本测不完。很多时候花了一整天在一个硬骨头主站上，毛都没挖到，结果隔壁没人管的测试服，后台默认密码都没改。

去年开始，我让AI帮我把资产排了个序。不是随机排，是根据资产价值、漏洞历史、开放端口、指纹特征综合打分，告诉我“先挖这个，后挖那个”。用了这套方法，我的单位时间产出翻了至少一倍——以前一天交一份报告，现在能交三四份。

这篇文章把我这套AI排序的方法完整拆开，从数据收集、评分模型、AI分析到实战案例，全给你。

一、为什么需要AI来排序？

人工筛选资产的效率瓶颈很明显：

维度太多，脑子算不过来。一个子域名，你要同时考虑它的业务属性（是核心业务还是边缘测试）、开放的服务（有没有高危端口）、历史漏洞（别人挖过没有）、响应特征（有没有Actuator/Swagger/Druid）、框架指纹（是不是低版本WebLogic/Shiro/Fastjson）。五个维度交叉，人脑做几十个判断还行，几百个直接宕机。
经验主义，容易错过冷门目标。人习惯找熟悉的特征，比如看到/nacos就冲上去，看到没见过的路径就跳过。但有些高危漏洞藏在冷门组件里，AI可以无差别对待所有信息。
时间有限，必须做取舍。一天最多认真测两三个目标，选错一个就浪费半天。我需要一个系统告诉我：哪几个目标最可能出高危漏洞。

AI的优势在于：它能快速处理大量非结构化数据（网页标题、响应体、JS代码片段），从中提取特征，再根据我设定的评分规则综合排序。

二、我的AI排序系统架构

整体分三步：数据收集 → 特征提取与打分 → AI综合分析并排序。

第一步：数据收集

把所有子域名、IP放一起，用自动化脚本跑一遍，收集以下信息：

端口扫描：用Nmap或Masscan扫全端口，记录开放的端口和服务Banner。
HTTP响应：用httpx批量请求80/443/8080等常见Web端口，记录状态码、响应头、页面Title、Body前500字符、响应大小。
指纹识别：用Ehole或WhatWeb识别框架和中间件，比如Spring Boot、Tomcat、WebLogic。
敏感路径探测：用自定义字典扫常见的高危路径（/actuator/env、/nacos、/swagger-ui.html、/druid/index.html），记录返回状态码和内容特征。
历史漏洞数据：从FOFA、Shodan、hunter上搜该IP/域名的漏洞历史（如CVE编号、弱口令记录），如果有直接加分。
JS文件分析：对响应中包含JS的，用LinkFinder提取API端点，用正则搜AK/SK、内网IP关键词。

这一步跑完，每个子域名会生成一份JSON档案，大概长这样：

{&nbsp;&nbsp;"url":&nbsp;"https://test-api.target.com",&nbsp;&nbsp;"ip":&nbsp;"47.104.x.x",&nbsp;&nbsp;"ports":&nbsp;[22,&nbsp;80,&nbsp;443,&nbsp;8080,&nbsp;8848],&nbsp;&nbsp;"http_title":&nbsp;"Nacos管理后台",&nbsp;&nbsp;"status_code":&nbsp;200,&nbsp;&nbsp;"framework":&nbsp;"Nacos 1.3.2",&nbsp;&nbsp;"has_actuator":&nbsp;false,&nbsp;&nbsp;"has_druid":&nbsp;false,&nbsp;&nbsp;"has_swagger":&nbsp;true,&nbsp;&nbsp;"swagger_path":&nbsp;"/swagger-ui.html",&nbsp;&nbsp;"js_api_endpoints":&nbsp;["/api/v1/users",&nbsp;"/api/v1/orders"],&nbsp;&nbsp;"js_secrets":&nbsp;["accessKeyId=xxxx"],&nbsp;&nbsp;"history_cves":&nbsp;["CVE-2021-29441"],&nbsp;&nbsp;"page_keywords":&nbsp;["管理后台",&nbsp;"admin",&nbsp;"登录"]}

第二步：特征评分

我设计了一套评分规则，给每个目标打分，分越高越值得挖。核心维度如下（权重可以自己调）：

管理后台类（+30分）：title含“管理后台”、“admin”、“登录”，或者路径里出现/admin、/manage。这是最直接的入口。
高危组件（+25分）：框架是Nacos、Druid、Swagger、Actuator、WebLogic、Fastjson等已知漏洞高发区。
历史漏洞（+20分）：有CVE记录或弱口令历史，说明别人挖到过，你很可能也能捡漏。
敏感路径探测成功（+20分）：直接返回200的敏感端点，如/actuator/env未授权。
非标准端口（+15分）：开放了非常规Web端口（8080、8848、9090、50000等），运维工具常开在这些口。
JS信息泄露（+15分）：JS里提取到AK/SK、内网IP、隐藏API。
边缘资产（+10分）：IP不在主域名C段，或DNS解析是云厂商默认地址，大概率是开发/测试环境。
弱口令关键词（+10分）：响应体含default、guest、test、demo等词。

这些规则由Python脚本自动计算。但是规则打分有个致命缺陷：它只能识别“已知的好东西”，对于没见过的新组件、新路径无能为力。所以引入第三步AI分析。

第三步：AI综合分析与排序

我把每个目标的JSON档案和原始响应内容发给AI，让AI从“攻击者视角”做最终排序。Prompt如下：

你是一名经验丰富的渗透测试工程师，擅长挖掘SRC漏洞。现在有50个目标资产的简要信息（JSON格式），你需要根据资产特征，推荐最值得优先测试的Top 5目标，并说明理由。
评分考虑因素：1.&nbsp;目标是否为后台管理系统、运维工具（Nacos、Druid、Jenkins等）？这些最容易出现弱口令和未授权。2.&nbsp;是否使用了已知高危框架（Fastjson、Shiro、WebLogic等）且版本较老？3.&nbsp;是否开放了非标准端口（如8848、9090、2375、6443）？4.&nbsp;是否存在敏感信息泄露（Swagger文档、Actuator端点、JS中的AK/SK）？5.&nbsp;是否为边缘资产（测试环境、开发机）？防护通常较弱。6.&nbsp;历史漏洞记录：是否有未修复的已知CVE？7.&nbsp;页面响应内容是否包含“默认密码”、“admin/admin”等弱提示？
请以JSON格式输出Top 5推荐列表，每个包含：-&nbsp;url: 目标URL-&nbsp;score: 优先级评分（1-100）-&nbsp;reason: 推荐理由（简洁说明为什么值得挖）
资产信息：{targets_json}

AI返回的结果长这样：

[&nbsp; {&nbsp; &nbsp;&nbsp;"url":&nbsp;"https://test-nacos.target.com:8848",&nbsp; &nbsp;&nbsp;"score":&nbsp;95,&nbsp; &nbsp;&nbsp;"reason":&nbsp;"Nacos 1.3.2版本存在未授权访问和高危CVE，且开放8848端口，极可能直接获取配置信息。"&nbsp; },&nbsp; {&nbsp; &nbsp;&nbsp;"url":&nbsp;"https://uat-api.target.com/swagger-ui.html",&nbsp; &nbsp;&nbsp;"score":&nbsp;90,&nbsp; &nbsp;&nbsp;"reason":&nbsp;"Swagger文档暴露，可列出所有API，且UAT环境防护较弱，可能存在未授权接口。"&nbsp; },&nbsp; ...]

我把这份Top 5列表当成当天的优先任务清单。按顺序测，大部分时候第一个目标就能出高危。

三、实战案例：AI让我一天找到三个高危

案例1：Nacos未授权 → 微服务全配置泄露

AI在排序时把nacos-dev.target.com:8848排到了第一位，理由是Nacos 1.3.2 + 开放8848端口 + 边缘开发环境。我直接访问/nacos，发现没有认证，进后台后看到了所有微服务的配置文件，包括数据库密码、Redis密码、OSS密钥。一个高危漏洞，赏金5000元。

案例2：Swagger泄露 → 未授权API导出用户数据

AI第二个推荐的是api-internal.target.com/swagger-ui.html。这个接口在Swagger里展示了/api/internal/users/export端点，没有任何鉴权。我直接GET请求，返回了全站12万用户的手机号和身份证号。严重漏洞，赏金12000元。

案例3：老版本WebLogic → 远程代码执行

AI第三个推荐了一个IP47.x.x.112:7001，指纹是WebLogic 10.3.6，且AI在FOFA历史数据里匹配到多个CVE。我直接用现成的PoC打过去，成功执行命令，反弹Shell。高危漏洞，赏金8000元。

三个目标一个下午搞定，总赏金25000元。如果没有AI排序，我可能还在主站上磨XSS。

四、自动化流水线：从资产到排序全流程脚本

我把这套做成了自动化Python脚本，每周跑一次，输出排序结果到飞书群。核心步骤：

资产收集：从OneForAll拉子域名，从FOFA API拉IP资产。
信息探测：异步并发跑httpx、Ehole、Nmap、敏感路径字典。
特征提取：正则解析响应体、JS文件，整理成JSON。
AI排序：调用DeepSeek API，传入资产JSON，获取Top N推荐。
通知：推送到飞书Webhook。

# 伪代码框架import asyncio, json, httpx, nmap,&nbsp;requests
async&nbsp;def&nbsp;main():&nbsp; &nbsp; targets = load_targets()&nbsp; &nbsp;&nbsp;# 异步探测&nbsp; &nbsp;&nbsp;async&nbsp;with&nbsp;httpx.AsyncClient()&nbsp;as&nbsp;client:&nbsp; &nbsp; &nbsp; &nbsp; tasks = [probe(t, client)&nbsp;for&nbsp;t&nbsp;in&nbsp;targets]&nbsp; &nbsp; &nbsp; &nbsp; results =&nbsp;await&nbsp;asyncio.gather(*tasks)&nbsp; &nbsp;&nbsp;# 特征打分&nbsp; &nbsp;&nbsp;for&nbsp;r&nbsp;in&nbsp;results:&nbsp; &nbsp; &nbsp; &nbsp; r['score'] = calculate_score(r)&nbsp; &nbsp;&nbsp;# AI排序&nbsp; &nbsp; top5 = ai_rank(results)&nbsp; &nbsp; notify(top5)

成本极低：跑一次几百个目标的探测，AI调用费就几毛钱。

五、写在最后

AI在SRC挖洞里最好的角色，不是替你挖漏洞，而是替你决策。它不会累、不会受情绪影响、不会因为看到一个冷门路径就跳过。它可以把几百个资产里那些真正值得看的目标帮你圈出来，让你集中精力打。

这套方法用了半年，我最大的感受是：以前常常在“不知道挖哪个”上纠结一上午，现在打开飞书，优先级清单已经排好，端杯咖啡开始干就完了。

如果你也在愁“时间不够用”，不妨试试让AI帮你做一次资产排序。它可能比你更懂哪里藏着赏金。

严正声明 本文所述技术仅用于合法授权的安全测试。所有案例均已脱敏，仅保留技术原理供学习参考。未经授权扫描、测试他人系统属违法行为。请务必在获得授权的情况下进行安全评估。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：昆仑AI安全实验室逍遥逍遥《别瞎扫了！我用AI给几千个SRC资产排了个序，专挑软柿子捏》