Why Being a Great Hacker Doesn't Pay Anymore
三句話摘要
用AI模型自動化測試身份驗證繞過漏洞，讓漏洞賞金獵人在數分鐘內完成原本需要數小時的審計工作。 自動化測試系統已成為漏洞賞金的決勝因素——不是技術有多強，而是能否用AI將你的經驗複製並並行執行。
重點整理
重點- 1
- 2
工具化時代已來臨：高收入的漏洞獵人不一定是技術最強的人，而是擁有自動化系統的人。講者示例中，某人兼職6個月的產出等於之前全年成果的6倍，這不是技能差異而是系統差異。
- 3
AI模型透過訓練資料學習模式：該AI模型經過講者10年的漏洞報告訓練，能將複雜的審計流程並行化。它不僅發現單一漏洞，還會連鎖發現後續的RCE、XSS、SSRF等相關漏洞。
- 4
速度與覆蓋度的指數級提升：在最複雜的實驗中，模型用1分11秒發現了需要手動審計數小時才能確認的內部RPC權限提升漏洞，同時確保不遺漏任何測試向量。
- 5
異常檢測是核心能力：模型的關鍵優勢是能快速識別應用行為中的「奇怪之處」，例如忘記密碼功能洩露令牌、客戶端包暴露角色配置、API盲目合併請求體等。
- 6
實用技巧與重點
乾貨- 演示環境與工具
- 平台：HackenProof、Hacking Hub
- AI模型：Cloud Goat（使用講者10年報告數據訓練）
- 實驗來源：基於講者自身研究或公開部落格靈感重構
- 四個實驗的具體結果
- Pulse實驗（耗時44秒）
- 發現API洩露員工數據
- 方法：利用忘記密碼功能洩露重置令牌 → 設置密碼 → 登入 → 訪問API → 提升管理員權限
- Lumen ID實驗（耗時1分30秒）
- JWT漏洞：`alg: none`攻擊與算法降級（RS256 → HS256）
- 第一個實驗（無預設認證）
- 自行發現註冊端點、客戶端代碼中的`owner`角色配置
- 通過PATCH請求合併`is_owner: true`獲得`admin: true`權限
- 貨物流實驗（耗時1分11秒）
- 發現內部RPC需要V3標頭
- 透過IAM服務授予`operations_admin`身份 → 數據交叉曝露
- 基礎模型提示詞結構
- 定義漏洞類型（身份驗證繞過）
- 列舉攻擊向量：MFA繞過、SSO濫用、無密碼攻擊、密碼重置濫用
- 測試需求：雙帳戶（攻擊者+受害者）
結論
結論“ 自動化測試系統已成為漏洞賞金的決勝因素——不是技術有多強，而是能否用AI將你的經驗複製並並行執行。”
完整解析
詳細漏洞賞金行業正在經歷根本性轉變。傳統上，賺錢的是最會駭客技術的人——他們能找到不知名應用、滲透系統、獲取報酬。但這個時代已經結束。現在資金正悄悄流向那些開發自動化工具的人。講者指出，今年許多年收入超過他的人，技能水準卻只有他的一半，關鍵差異在於擁有系統。
講者以實例說明：某位漏洞獵人兼職工作6個月就提交了接近前一年全年6倍的報告量。他單日能提交21份報告，其中3份為嚴重級別。這不是因為他付出了6倍努力，而是他配備了AI代理。當他睡覺時，自動化系統仍在工作。
本影片的核心目的是展示針對身份驗證繞過的專用技能——能應對註冊限制、審批流程、難以進入的內部工具等場景。講者使用經過10年漏洞報告訓練的AI模型，在CloudGoat實驗室進行測試。
實驗演示涵蓋四個難度遞增的場景。第一個Pulse應用中，模型用44秒識別出登入頁面、忘記密碼功能，透過重置令牌漏洞完成登入並獲得管理員訪問。重要的是，它還連鎖發現了RC、XSS、SSRF等後續漏洞。第二個Lumen ID的JWT漏洞實驗中，模型在1分30秒內找到兩種利用方式：設置演算法為none，以及降級RS256到HS256。第三個實驗無預設認證，模型自行發現註冊端點並識別客戶端代碼中的權限配置。第四個最複雜的實驗涉及內部RPC和IAM服務，模型用1分11秒完成整個利用鏈。
模型的核心能力是異常檢測——尋找應用行為中的「奇怪之處」。基礎提示詞包含漏洞定義、攻擊向量、測試需求等結構，讓模型能並行執行並避免遺漏。講者並行工作時，模型在後臺自主測試，確保完整覆蓋。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
