TryHackBox ( AI Security )

Yet Another AI pentest agent.
در واقع، این یک نسخه پیشرفته از Claude Code برای تست نفوذ است، با قابلیت‌های اضافی مانند blackjack، زیرمجموعه‌ها و mcp.

https://github.com/GH05TCREW/ghostcrew

اولین کانال فارسی زبان در AI Security .
@TryHackBox
@RadioZeroPod
@TryHackBoxStory
@TryHackBoxOfficial

ا Hack The Box یک مسیر/جهت جداگانه راه‌اندازی کرده است: hackthebox.ai .

این دیگر فقط یک پلتفرم برای آموزش افراد نیست، بلکه یک محیط برای تست کردن و «ارتقای» (پرو کردن) عامل‌ های هوش مصنوعی (AI-agents) در سناریوهای مربوط به امنیت سایبری است.

به‌طور کلی، در اینجا می‌شود بررسی کرد که یک عامل چگونه:

- به دنبال آسیب‌پذیری‌ ها می‌ گردد
- به حملات واکنش نشان می‌ دهد
- در سناریوهای آفنسیو/دیفنسیو عمل می‌ کند
- با CVEهای واقعی و زنجیره‌های پیچیده کار می‌ کند

در داخل مجموعه:

- AI Range با سناریوهای عملی و واقعی
- شبیه‌ سازی زیرساخت واقعی
- سناریوهای red / blue برای عامل‌ ها
- تحلیل رفتار و کارایی مدل‌ ها

این یک نمونه خوب است از اینکه یک محصول قدرتمند و جاافتاده چگونه به‌صورت محتاطانه و بدون «شکستن» هویت/هسته‌ی اصلی خود، خودش را با جهت‌های جدید و شیوه‌های استفاده تازه همسو می‌ کند؛ با گسترش منطق به سمت AI.

اولین کانال فارسی زبان در AI Security .
@TryHackBox
@RadioZeroPod
@TryHackBoxStory
@TryHackBoxOfficial

چهار گروه بدافزار، پلیس پاکستان را با استفاده از PlugX، ShadowPad، Remcos و Cobalt Strike مورد هدف قرار دادند.

محققان امنیت سایبری، جزئیاتی از فعالیت‌های جاسوسی سایبری مداوم علیه چندین سازمان پلیس پاکستان را فاش کردند. این فعالیت‌ها توسط گروه‌هایی از هکرها انجام شده است که احتمالاً با چین و هند مرتبط هستند، و این حملات از فوریه 2024 تا آوریل 2026 ادامه داشته است.

https://thehackernews.com/2026/07/hackers-weaponize-balochistan-police.html

@RadioZeroPod
@TryHackBoxStory
@TryHackBoxOfficial
@TryHackBox

LM Security Database

پروژه Promptfoo اخیراً «LM Security Database» را راه‌اندازی کرده است؛ یک پایگاه دادهٔ جامع و دائماً به‌ روزرسانی‌ شونده از آسیب‌پذیری‌ های مدل‌های زبانی. در حال حاضر این پایگاه داده ۴۳۹ رکورد دارد که به ۴۰۶ مقالهٔ پژوهشی اشاره می‌ کند و ۱۱۷۵ مدل را پوشش می‌دهد. این پایگاه داده امکان فیلتر کردن آسیب‌پذیری‌ ها را بر اساس نوع حمله فراهم می‌کند؛ مثل injection، jailbreak، و poisoning. همچنین می‌ شود بر اساس سطح/سطح‌ لایهٔ حمله (attack surface) فیلتر کرد؛ مثل model-layer و application-layer. علاوه بر این، امکان فیلتر بر اساس اجزای معماری (architecture components) هم وجود دارد؛ مثل RAG و vision، و همچنین پارامترهای دیگر. این منبعی حیاتی است برای متخصصان ML/LLMSecOps و AI Red Teaming.

🔗promptfoo.dev

اولین کانال فارسی زبان در AI Security .

@TryHackBox
@RadioZeroPod
@TryHackBoxStory
@TryHackBoxOfficial

IBM ARES:
فریم ورک متن‌باز برای Red Teaming سیستم‌ های هوش مصنوعی

#ردتیم #امنیت_سایبری

خلاصه: شرکت IBM فریم ورک ARES (سیستم ارزیابی مقاومت هوش مصنوعی) را منتشر کرده است یک فریم ورک متن‌ باز برای تست نفوذ خودکار سیستم‌ های هوش مصنوعی. این فریم ورک امکان بررسی سیستماتیک مدل‌ ها را برای آسیب‌ پذیری در برابر jailbreaking، استخراج داده‌ ها و تولید محتوای مخرب فراهم می‌کند و ابزاری در اختیار توسعه‌دهندگان می‌گذارد تا مشکلات را پیش از exploitation شناسایی و رفع کنند.

هدف فریم ورک

هدف اصلی ARES دموکراتیزه و استانداردسازی فرایند Red Teaming برای سیستم‌ های هوش مصنوعی است. در شرایطی که نهادهای نظارتی (کاخ سفید، قانون هوش مصنوعی اتحادیه اروپا، NIST) تست نفوذ اجباری برای هوش مصنوعی را می‌ طلبند، ARES ابزار عملی برای اجرای این الزامات فراهم می‌ کند. این فریم ورک امکان گذار از جستجوی دستی و شهودی آسیب‌پذیری‌ ها به فرایندی سیستماتیک، خودکار و قابل تکرار را میدهد.

مزایا
رویکرد سیستماتیک: ARES Red Teaming را حول سه مؤلفه کلیدی سازماندهی می‌کند: اهداف (چه کاری می‌خواهید هوش مصنوعی انجام دهد؟)، استراتژی‌ها (چگونه حملات را ایجاد می‌کنید؟) و ارزیابی (آیا حمله موفق بود؟).
پیاده سازی با OWASP Top 10 برای LLM: این فریم ورک امکان تست سیستم‌ ها بر اساس الگوهای شناخته‌ شده آسیب‌پذیری را فراهم می‌ کند، نه اینکه حملات را از ابتدا اختراع کند.
تست کل زیرساخت: ARES فقط برای تست مدل‌ های «خالص» نیست بلکه کل سیستم را به صورت جامع ارزیابی می‌کند: استقرارهای محلی با مکانیزم‌ های حفاظتی (guardrails)، مدل‌های ابری (مثلاً از طریق WatsonX.ai) و عوامل مستقر شده (از طریق AgentLab). این موضوع حیاتی است چون آسیب‌پذیری‌ ها اغلب در تقاطع اجزا رخ می‌دهند نه در خود مدل.
متن‌باز و قابل توسعه: به عنوان یک پروژه متن‌باز، ARES به جامعه اجازه می‌دهد مشارکت کند، انواع جدید حملات، معیارهای ارزیابی و پیاده سازی ها را اضافه کند.

معماری ARES

بر پایه معماری ماژولار ساخته شده که انعطاف‌ پذیری و توسعه‌ پذیری را تضمین می‌ کند.

مؤلفه‌ های کلیدی:

فهرست پلاگین‌ ها: هسته فریم ورک که امکان اتصال ماژول‌ های مختلف را می‌ دهد:
کانکتورهای هدف: برای تعامل با مدل‌ ها و سیستم‌ های مختلف هوش مصنوعی.
اهداف حمله سفارشی: برای تعریف اهداف خاص حملات (مثلاً استخراج اطلاعات شخصی شناسایی‌شده).
استراتژی‌ های حمله: برای پیاده‌ سازی تکنیک‌ های مختلف حمله (GCG، PyRIT، Garak و غیره).
ارزیابی مقاومت: برای سنجش موفقیت حملات.
هماهنگ‌کننده: مؤلفه مرکزی که فرایند تست را مدیریت می‌کند: بارگذاری پیکربندی، انتخاب هدف، تعیین اهداف، اجرای استراتژی‌ های حمله، ارزیابی نتایج و تولید گزارش.
ارزیاب: ماژول ارزیابی که از روش‌های خودکار (مثلاً تطبیق کلیدواژه‌ها) و LLM به عنوان داور برای تعیین موفقیت حمله استفاده می‌کند.

این رویکرد امکان ساخت سناریوهای پیچیده و چندمرحله‌ای حمله را با ترکیب پلاگین‌ های مختلف در یک چرخه ارزیابی فراهم می‌کند.

منبع

اولین کانال فارسی زبان در AI Security .

@TryHackBox
@RadioZeroPod
@TryHackBoxStory
@TryHackBoxOfficial

Channel name was changed to «TryHackBox ( AI Security )»

Channel photo updated

🔥 فریب سیستم : نفوذ از طریق «افکار»

مستقیماً به اصل موضوع: CoT (زنجیره تفکر) «مونولوگ داخلی» پنهان مدل است. گام‌ های میانی استدلال که شبکه عصبی قبل از ارائه پاسخ نهایی به کاربر، برای خودش بیان می‌کند.

ما عادت کرده‌ایم ورودی‌ ها و خروجی‌ ها را با گاردریل‌ ها محدود کنیم. اما در پایان سال ۲۰۲۵، آسیب‌پذیری اصلی دقیقاً به این «جعبه سیاه» فرآیند پنهان تفکر منتقل شده است.

مدل‌های کلاس Reasoning (o1، DeepSeek-R1، Gemini Thinking) دیگر فقط توکن‌ ها را پیش‌ بینی نمیکنند، بلکه به طور کیفی و برای مدت طولانی استدلال میکنند. و این توانایی دقیقاً نقطه ضعف آنها شده است.

الاینمنت کلاسیک (RLHF) مدل را آموزش می‌ دهد که پایان ایمنی ارائه دهد. اما فرآیند را کنترل نمی‌ کند.
حمله Logic Trap مدل را وادار می‌کند از هوش خود نه برای محافظت، بلکه برای توجیه نقض استفاده کند. در CoT خود، مدل خودش را قانع میکند که جیلبریک یک گام منطقی است (مثلاً برای «انجام وظیفه آموزشی»).

در سال ۲۰۲۵، ما سه بردار حمله عملیاتی را که از این مکانیک بهره می‌برند ثبت می‌کنیم:

۱. H-CoT: ربودن زنجیره تفکر (arXiv:2502.12893)

جیلبریک‌های کلاسیک در حال از بین رفتن هستند. جایگزین آنها «استتار آموزشی» آمده است.

مهاجم مدل را در زمینه «آزمون امنیت» قرار می‌دهد. مدل در افکار پنهان خود زنجیره‌ای می‌سازد: «کاربر درخواست تحلیل می‌کند -> رد کردن، زمینه آزمون را نقض می‌کند -> برای مفید بودن باید تهدید را شبیه‌ سازی کنم».
نتیجه: گاردریل‌ های خروجی پاسخ ساختاریافته و «هوشمندانه» را می‌ بینند و آن را عبور می‌ دهند.

۲. حمله استدلال بیش از حد (اختلال در دسترسی) (arXiv:2506.14374)

حمله نه به داده‌ها، بلکه به کیف پول است.

پسوندهای خاص مدل را در یک حلقه بی‌ نهایت استدلال (Infinite Reasoning Loop) قرار می‌ دهند. مدل توهم نمی‌ زند، بلکه «فکر» میکند تا زمانی که به حد سخت توکن‌ ها برسد.

تأثیر: افزایش هزینه‌ های استنتاج ۱۰ تا ۵۰ برابر. این یک DoS بسیار پرهزینه برای شرکت‌هایی است که از o1/R1 از طریق API استفاده میکنند.

۳. BadChain:
بکدور در فرآیند تفکر (arXiv:2507.12314)

خطرناک‌ترین بردار. پژوهشگران نشان داده‌اند چگونه یک تریگر را مستقیماً در وزن‌وهای مربوط به Reasoning جاسازی کنند.

مدل به طور عادی رفتار می‌ کند تا زمانی که تریگر را ببیند. در این لحظه دستور ناامن در داخل CoT فعال می‌ شود (پنهان از کاربر و لاگ‌ها!) و منطق تصمیم‌ گیری را به سمت مخرب تغییر می‌ دهد.

محافظت فقط از ورودی و خروجی کافی نیست. در سال ۲۰۲۶ باید به نظارت White-box CoT و مدیریت منابع فکر کنیم. ما به ابزارهایی نیاز داریم که «افکار» مدل را به صورت بلادرنگ تجزیه و تحلیل کنند و تولید را قبل از تبدیل «فکر بد» به «پاسخ بد» یا سوختن کل بودجه متوقف کنند.

آموزش استفاده از هوش مصنوعی در :
@TryHackBoxStory

@TryHackBox

@RadioZeroPod

@TryHackBoxOfficial

☣ اجرای LFI از طریق پارامتر تصویر misconfigured

> در بیشتر موارد هکرها فقط blind SSRF  را در پارامتر هندلر تصویر آزمایش می‌کنند.

اما اگر پیلود درست را تست کنید، می‌ تواند بسیاری از باگ‌ های پنهان را فاش کند!

پس دوستان اگر از خواندن چنین روش‌هایی لذت می‌ برید، عشق خود را نشان دهید ❤️

#باگ_بانتی
@TryHackBox
@TryHackBoxOfficial
@RadioZeroPod
@TryHackBoxStory

تولید خودکار اکسپلویت با مدل‌های زبان بزرگ (LLMs)

https://github.com/SeanHeelan/anamnesis-release/

@TryHackBox
@TryHackBoxOfficial
@RadioZeroPod
@TryHackBoxStory

📌 یادداشتی از خالق THB

ابتدا، از اینکه بخشی از خانواده THB هستید سپاسگزارم.

وقتی TryHackBox (THB)را شروع کردم، دیدگاهم ساده بود ارائه آموزش ‌های عملی و واقعی در زمینه امنیت تهاجمی که فراتر از نظریه باشد و به حرفه‌ای ‌ها کمک کند مهارت ‌هایی بسازند که واقعاً در صنعت اهمیت دارند.

برای حمایت از این ماموریت، ما شروع به اشتراک‌ گذاری محتوا در کانال یوتیوب خود کرده‌ایم، از جمله نصب و راه اندازی لابراتورهای تست نفوذ وب ، بوت کمپ soc ، رانمای عملی تست نفوذ ، بررسی waf ، tryhackme presecurity ، بررسی edr ، دوره security + ، دوره net+ و  موضوعات عملی امنیتی.

اگر کار ما برایتان ارزشمند است، صمیمانه قدردان می‌شوم اگر کانال را سابسکرایب کنید و از جامعه THB حمایت نمایید. حمایت شما به ما کمک می‌کند تا به یادگیرندگان بیشتری برسیم و ما را برای تولید محتوای بهتر برای همه انگیزه می‌دهد.

🔔 سابسکرایب کنید، متصل بمانید و با جدیدترین محتوای عملی امنیت تهاجمی به‌روز باشید.

از اعتماد و حمایت شما سپاسگزارم.


https://youtube.com/@tryhackbox

OWASP Top 10 for LLM Applications

@TryHackBox
@TryHackBoxOfficial
@RadioZeroPod
@TryHackBoxStory

🔖 ai_processor

ابزار کوچکی را به شما معرفی می‌کنم که خروجی ابزارهای امنیتی (مانند nmap، nikto، ffuf و غیره) را با استفاده از هوش مصنوعی (که دیگر بدون آن نمی‌شود!) و با در نظر گرفتن خواسته‌ های شما پردازش می‌ کند تا تحلیل آسیب‌ پذیری‌ ها و نتایج مختلف را ارائه دهد. این ابزار از چندین ارائه‌ دهنده هوش مصنوعی پشتیبانی می‌کند، از جمله API خارجی OpenAI و مدل‌ های محلی Ollama.
https://github.com/vaag4b0nd/ai_processor

@TryHackBox
@TryHackBoxOfficial
@RadioZeroPod
@TryHackBoxStory

VulnLLM-R:
مدل زبان بزرگ تخصصی برای استدلال در تشخیص آسیب‌پذیری

VulnLLM-R
اولین مدل زبان بزرگ تخصصی است که به طور خاص برای تشخیص آسیب‌پذیری نرم‌افزار طراحی شده است.

برخلاف ابزارهای سنتی تحلیل ایستا (مانند CodeQL) یا مدل‌های زبان کوچک که به تطبیق الگوهای ساده متکی هستند، VulnLLM-R برای استدلال گام به گام درباره جریان داده، جریان کنترل و زمینه امنیتی آموزش دیده است. این مدل فرآیند فکری یک ممیز امنیتی انسانی را تقلید می‌کند تا آسیب‌پذیری‌های منطقی پیچیده را با دقت بالا شناسایی کند.

https://huggingface.co/UCSB-SURFI/VulnLLM-R-7B
https://github.com/ucsb-mlsec/VulnLLM-R

@TryHackBox
@TryHackBoxOfficial
@RadioZeroPod
@TryHackBoxStory

🚨 cPanelSniper — CVE-2026-41940

CRITICAL
بایپس احراز هویت در cPanel و WHM (امتیاز CVSS 10.0)

Zero credentials → Full root WHM access via CRLF injection + session file poisoning.

حدود ۷۰ میلیون دامنه تحت تأثیر.

زنجیرهٔ اکسپلویت (۴ مرحله):
1. ساخت سشن پیش‌احراز هویت (Pre-auth session minting) 
2. تزریق CRLF از طریق هدر Authorization (CRLF injection via Authorization header) 
3. گجت do_token_denied (raw → flush cache) 
4. endpoint /json-api/version → هک کامل (PWNED)

نتایجی که به‌ دست می‌آورید:
✅ شل تعاملی WHM با دسترسی root (Interactive WHM root shell) 
✅ Account enumeration
✅ Command execution
✅ Backdoor admin creation
✅ آماده برای اسکن دسته‌ای stdlib only, no extra deps

https://github.com/ynsmroztas/cPanelSniper

@TryHackBox
@TryHackBoxOfficial
@RadioZeroPod
@TryHackBoxStory

GATEBLEED
نخستین نشت داده سخت ‌افزاری در شتاب‌دهنده ‌های AI


▪️ ماهیت آسیب ‌پذیری
پژوهشگران دانشگاه North Carolina State University (NC State) کانال کناری ‌ای را کشف کردند که ناشی از power-gating است
مکانیزم صرفه‌جویی در انرژی که بسته به بار کاری به ‌طور پویا بلوک ‌های محاسباتی شتاب‌دهندهٔ AI را روشن/خاموش می ‌کند. هنگام اجرای بخش ‌های مختلف inference شبکه ‌های عصبی، خوشه ‌های مختلفی از محاسبات ماتریسی (tensor tiles) فعال می ‌شوند. این فعال ‌سازی ‌ها تغییرات قابل‌ اندازه‌گیری در مصرف توان و تاخیر ایجاد می ‌کنند که می ‌توانند محلی و از طریق کانترها، تلمتری یا تایمینگ ‌های در دسترس مشاهده شوند.

با تحلیل آماری این تغییرات، پژوهشگران توانستند تشخیص دهند چه داده‌ای پردازش می‌شود مثلاً آیا یک نمونهٔ خاص در دیتاست آموزشی وجود داشته یا کدام قطعهٔ مدل در آن زمان استفاده می‌شود.

▪️ ویژگی ‌های کلیدی
این یک اشکال نرم ‌افزاری نیست، بلکه نشت سخت‌افزاری در سطح ریزمعماری است که به ‌خاطر طراحی مدیریت انرژی پدید می ‌آید.
اثر در معماری ‌هایی با power-gating تهاجمی و بلوکی (جایی که خوشه ‌های محاسباتی به ‌صورت فیزیکی برق ‌شان قطع می‌شود) قوی ‌تر است.
در پلتفرم ‌هایی با مدیریت انرژی نرم ‌تر، سیگنال ضعیف ‌تر است و ممکن است نیاز به دسترسی فیزیکی داشته باشد.
آسیب ‌پذیری جهانی نیست و به پیاده‌سازی میکروکد و توپولوژی شتاب‌دهنده وابسته است، اما ریسک مدل براساس این پدیده برای بسیاری از چیپ ‌های مدرن AI قابل ‌اعتناست.

▪️ PoC
پژوهشگران یک PoC روی پلتفرم ‌هایی با پشتیبانی از دستورالعمل ‌های سخت ‌افزاری AI ساختند، از جمله Intel Xeon نسل چهارم با ماژول AMX که در آن power-gating برای فعال‌سازی بلوک ‌های ماتریسی استفاده می‌شود.

در سیستم آزمایشی، batched runs زیر کنترل کد معمول کاربر بدون امتیازات هسته اجرا شدند.
هم‌ زمان معیارهای میکرومعماری و زمانی قابل‌دسترسی latency، IPC، کانترهای دستورالعمل، الگوهای روشن/خاموش‌ شدن بلوک‌ ها و تغییرات مصرف توان ضبط شدند.
دو مجموعه باتچ ساخته شد: یکی با نمونه‌ های هدف و دیگری بدون آن‌ ها. اندازه‌گیری‌ها تفاوت‌ های آماری معنی‌ داری در رفتار power-gating بین این دو کلاس نشان داد.
سری‌ های زمانی جمع‌آوری‌ شده فیلتر، نرمال‌ سازی و استخراج ویژگی شدند و سپس به یک ML-classifier داده شدند که قادر بود وجود نمونهٔ حساس در باتچ را تشخیص دهد یعنی پیاده‌سازی membership inference در سطح سخت‌ افزار.

@TryHackBoxStory

در اینجا یک LLM-honeypot از Beelzebub برای گرفتار کردن کریپتوجکرها آوردم.

این یک تلهٔ سادهٔ SSH است که به‌ جای پاسخ‌ های ایستا با قالب‌ های ثابت، به مهاجم با متنی واقعی‌ نما پاسخ می‌ دهد که توسط یک LLM تولید می‌شود. بدین‌ ترتیب رفتار سرور طبیعی به‌ نظر می‌رسد، اپراتور پاسخ‌ های قابل‌ باور به دستورات را می‌گیرد و لاگ تمام نشست‌ های جعلی ذخیره می‌ شود.

ساختار پایهٔ تله (YAML):

apiVersion: "v1"
protocol: "ssh"
address: ":2222"
description: "SSH LLM Honeypot"
commands:
  - regex: "^(.+)$"
    plugin: "LLMHoneypot"
serverVersion: "OpenSSH"
serverName: "ubuntu"
passwordRegex: "^(root|qwerty|Smoker666|123456|jenkins|minecraft|sinus|alex|postgres|Ly123456)$"
deadlineTimeoutSeconds: 120
plugin:
    llmProvider: "openai"
    llmModel: "gpt-4o"
    openAISecretKey: "sk-proj-1234567890""``

ویژگی‌ های پیکربندی:

◾️ پروتکل SSH (یکی از رایج‌ ترین بردارهای حمله) + پورت غیرمرسوم 2222 (برای کاهش نویز اسکنرها).

regex: "^(.+)$"
◾️ هر دستور/رشتهٔ وارد شده را می‌گیرد و به پلاگین LLM می‌ فرستد.

serverVersion / serverName
بنر/نام میزبان را شبیه‌ سازی می‌ کنند تا کریپتوجکر هنگام اتصال آن را ببیند.

passwordRegex
چند ترکیب نام‌ کاربری/رمز عمداً ضعیف پیش‌ تعریف‌ شده.
deadlineTimeoutSeconds
اگر نشست بیش از 120 ثانیه بیکار بماند، قطع می‌ شود.
◾️پارامترهای plugin ادغام با LLM شرکت OpenAI، در این مثال مدل gpt-4o و کلید دسترسی.

می‌ توانید بخش plugin را دقیق‌ تر بنویسید؛ مثلاً مقدار temperature برای تنوع/خلاقیت پاسخ‌ ها اضافه کنید و با contextMemory تاریخچهٔ دستورات را نگهداری کنید تا تولید متن بهتر شود. پیاده‌ سازی و قابلیت‌ ها بسته به نیاز شماست.

در این تله، Beelzebub با دقت مسیر نشست کریپتوجکر را ثبت کرده: شناسایی میزبان (uname, uptime, nproc)، بررسی GPU (lspci, nvidia-smi)، جمع‌ آوری اطلاعات CPU/شبکه، تلاش برای ایجاد persistence و حذف رقبا (دستورات مانند chpasswd، pkill xmrig|cnrig|kswapd0 و غیره)، دانلود و اجرای اسکریپت نصب با curl … | bash. در مثال شرح‌داده‌شده، اسکریپت xmrig را برای ماینینگ Monero تنظیم می‌کرد و به C3Pool متصل می‌ شد.

@TryHackBox
@TryHackBoxOfficial
@RadioZeroPod
@TryHackBoxStory

#هوش_مصنوعی #امنیت_سایبری