AI 挖出超 4 万个高危漏洞，两项成果入选国际顶会

原创

夺旗猫
夺旗猫

长亭安全观察

2026年11月2日 17:02
北京

去阅读

MonkeyScan 是长亭科技自研的智能安全分析平台，让大模型自己读代码、挖漏洞、验证漏洞。

近期，围绕MonkeyScan 智能安全分析与漏洞挖掘技术体系，长亭科技联合上海交通大学、武汉大学、中国科学院软件研究所等高校与科研机构，在国际网络安全四大顶会之一 IEEE S&P（Oakland） 连续发表两项研究成果——《Parasites in the Toolchain: A Large-Scale Analysis of Attacks on the MCP Ecosystem》与《FIRMHOUND: Discovering and Validating Linux-based Firmware Vulnerabilities through Agentic Binary Reasoning》。

这两项顶会对应技术的突破与 MonkeyScan 的项目级源码分析引擎深度协同，构成了 MonkeyScan 覆盖“白盒源码审计 — 黑盒固件分析 — 智能体内生安全检测”的三大核心技术支柱。同时也回答了当大语言模型全面进入网络安全领域，如何跨越“单点实验探索”与“复杂工程落地”之间鸿沟的技术命题。

破局：MonkeyScan 面向的三大核心挑战

在真实的软件工程与硬件设备生态中，自动化安全分析长期面临三类不同维度的挑战：

1. 看得见源码的大型工程（白盒挑战）

在大规模软件项目中，接口路由、鉴权逻辑、数据持久化与业务实现往往分散在不同模块中。传统规则扫描擅长定位局部的危险函数，但在理解跨模块的复杂业务语义时存在局限，仍需大量人工复核；而早期基于大模型的扫描受限于上下文窗口与推理幻觉，容易在缺乏完整调用链证据的情况下给出误判，难以独立完成跨文件溯源与可利用性确认。

2. 看不见源码的嵌入式与基础设施（黑盒与二进制挑战）

大量路由器、网关、物联网与工业控制设备运行着剥离了符号表的闭源固件。由于请求分发常经过多级间接跳转，且关键数据通过非易失性存储或全局变量跨阶段异步传递，传统静态分析容易出现数据流断链，而动态模糊测试则受制于硬件依赖与模拟环境失真。

3. 智能体工具链与新兴应用生态（内生安全挑战）

随着大模型通过标准化协议广泛接入外部工具链，智能体从“被动的信息处理器”转变为“自主任务编排器”。工具链的组合调用在扩展能力的同时也引入了新的攻击面：当智能体处理不可信的外部数据时，可能触发跨工具的非预期数据流转与越权调用。

面对这三大挑战，MonkeyScan 摒弃了“将大模型简单作为单点问答或告警过滤器”的浅层模式，从底层理论创新出发，将程序分析、领域知识图谱、多智能体协同规划与动态验证有机结合，在三大方向上形成了完整的工程闭环，并沉淀出多项国际顶会学术成果。

MonkeyScan 的三大核心技术支柱

支柱一：【白盒源码审计】项目级语义理解、风险规划与多阶段验证

核心能力：MonkeyScan 项目级源代码自主安全分析引擎

针对看得见代码但规模庞大、逻辑分散的软件项目，MonkeyScan 将大模型推理嵌入到严谨的软件工程分析链路中，围绕“项目理解、算力分配、过程控制、证据把关”构建了完整体系。

1. 项目级语义整合与按需检索（看得懂）

系统支持数十种主流编程语言与常见开发框架的自动化解析，并将分散的目录结构、接口路由、调用关系与控制流信息统一构建为项目级语义知识库。智能体在分析过程中无需盲目通读全仓代码，而是根据当前分析目标按需精准检索上下文，有效避免了关键安全信号被海量无关代码稀释。

2. 按规模分层与风险驱动调度（找得准）

面对数百万行代码的复杂工程，MonkeyScan 不会对所有模块做均质化推理，而是根据外部暴露面与潜在安全影响对代码模块进行风险评级。系统先通过轻量级多模型协同侦察快速锁定高危区域，再将核心算力优先投向高风险模块，用有限的算力换取最大的安全分析收益。

3. 渐进式引导与“发现、确认分离”的多智能体协同（挖得深）

系统将源码审计构建为可动态调整、支持失败回退的持续任务过程，并严格区分“发现可疑点”与“确认真实漏洞”：扫描阶段负责覆盖全局并提出漏洞假设；随后由专职智能体接力介入，完成漏洞的深度核验。

4. 实战成效

在实际业务系统与开源基础设施的持续服务中，已累计发现超 10 万个安全风险与代码缺陷，其中高危及以上级别超 4 万个，不仅覆盖传统的内存越界、注入与服务端请求伪造等漏洞，还规模化检出了大量依赖复杂业务逻辑的越权访问、状态约束绕过与安全配置缺陷。

支柱二：【黑盒固件分析】锚定“可执行性”的二进制语义恢复与验证

顶会成果支撑：FIRMHOUND: Discovering and Validating Linux-based Firmware Vulnerabilities through Agentic Binary Reasoning (IEEE S&P 2027)

当分析目标转向路由器、网关、物联网设备等没有源码的闭源固件时，MonkeyScan 体系通过核心技术 FIRMHOUND 解决二进制信息缺失与验证困难的难题。传统二进制分析工具之所以产生大量无法验证的告警，根本原因在于剥离符号后的程序丢失了语义连续性。为此，我们将“可执行性作为门禁约束”，构建了“语义恢复 — 断链重连 — 动态验证”的闭环。

1. 受控语义推理恢复外部输入源

面对厂商高度定制的请求封装函数与多级间接分发表，传统关键字匹配极易漏报。系统在严格的控制流与调用上下文约束下，利用智能体从反编译代码与调用链中精准推断非标准外部输入源与数据校验逻辑。

2. 跨全局共享状态的断链重连

在嵌入式服务中，外部输入往往先写入非易失性存储或全局变量，在后续执行阶段才被其他服务读取并传入危险操作函数。系统通过重构“状态写入者 — 状态读取者”的跨阶段语义映射，将碎片化的异步数据流重新连接贯通。

3.  语义制导的自动化验证载荷合成与运行时反馈

直接从二进制程序中恢复请求路由、参数结构与前置校验条件，自动合成端到端可执行的验证请求（PoC）。无需繁重的程序插桩，直接利用模拟环境或物理设备的运行时反馈（如连接状态、错误码或状态变更）迭代修正请求结构与上游静态推理。

4.  实战成效

在对涵盖 8 大主流厂商的 38 款真实固件评测中，该技术的告警准确率接近100%（大幅领先于现有主流工具 27.43% 至 59.24% 的水平），成功确认 443 个真实漏洞（含 192 个未知 0-day 漏洞），同时为其中 287 个漏洞全自动生成了可执行的验证 PoC，已获批 70 余个 CVE、CNVD、PSV 权威漏洞编号。

支柱三：【智能体内生安全检测】大模型工具链攻击链检测与内生安全加固

顶会成果支撑：Parasites in the Toolchain: A Large-Scale Analysis of Attacks on the MCP Ecosystem (IEEE S&P 2026)

随着企业应用全面拥抱智能体技术，大模型外部工具链生态本身已成为新型软件供应链的关键一环；同时，MonkeyScan 自身作为高度自主的多智能体系统，在审计不可信外部目标时同样需要严密的内生安全保障。我们在另一项 IEEE S&P 论文中，系统性构建了面向智能体工具链的自动化安全检测与防御体系。

1. 首次揭示并形式化“寄生工具链攻击”

不同于传统的单轮提示词注入或依赖用户主动安装恶意插件的攻击假设，我们发现了一种无需受害者交互的高隐蔽攻击模式：攻击者只需在智能体正常任务流会访问的外部数据源（如待审计的代码注释、网页或文档）中植入“寄生指令”，即可在零人工干预下诱导智能体串联多个合法工具，自动完成“寄生指令摄入 → 内部敏感数据搜集 → 外发泄露或远程命令执行”的跨工具组合攻击链。

2. 研发自动化检测引擎，完成首次全生态大规模安全普查

研究揭示了当前智能体工具协议的两大系统性缺陷：上下文与工具执行缺乏隔离以及工具链触发后的最小权限失控。基于此，我们研发了自动化安全检测引擎，对公共生态中 1,360 个工具服务的 12,230 个工具 进行了首次大规模安全检测，精准识别出 27.2% 的服务（370 个）与 8.7% 的工具（1,062 个） 存在可被组合利用的安全风险（涵盖隐私窃取、任意文件写入与远程命令执行）。

3. 双向赋能：对外检测新兴智能体应用，对内筑牢 MonkeyScan 防线

对外扩展新兴应用检测能力：将该项研究中的工具链功能点识别与跨服务数据流组合分析能力融入 MonkeyScan，使系统不仅能审计传统软件工程，更能精准检测新兴智能体应用与插件生态中的权限失控与组合攻击风险；

对内加固系统自身运行架构：在 MonkeyScan 的多智能体调度与验证控制面中，全面落实了防劫持内生安全设计——所有外部待审源码与网页数据严格作为不可信证据与系统指令隔离，各阶段执行节点实施严格的最小权限控制、写入路径白名单与网络访问范围强隔离，有效保障审计系统自身的运行安全。

为什么 MonkeyScan 代表了下一代安全分析的方向？

将两篇 IEEE S&P 顶会成果与 MonkeyScan 的整体工程实践结合来看，清晰地体现了我们从“AI 辅助分析”走向“AI 自主完成安全分析”的技术脉络。

构筑“模型之上”的安全分析基础设施

从底层方法论的创新，到国际安全顶会 IEEE S&P 的两项成果录用，再到 MonkeyScan 在实际业务系统、开源软件与真实硬件固件中持续产出的超10 万个安全风险与缺陷（含超 4 万个高危及以上问题）以及数百个 CNVD、CNNVD 权威漏洞编号，长亭科技的工程实践持续验证着一个核心判断：

基础大模型决定了安全推理能力的下限；而模型之上的程序分析工具链、领域知识库、内生安全机制与多智能体动态验证体系，才真正决定了智能安全分析的能力上限。

未来，长亭科技将持续深化“AI 感知、AI 规划、AI 分析、AI 验证、AI 沉淀”的技术闭环，推动人工智能从单一的辅助工具，演进为能够独立承担复杂安全分析任务的核心基础设施。