风云卫×DeepSeek-R1（二）：让渗透测试决策秒变专家级

OpenAI的o1和DeepSeek-R1与主流大模型存在显著区别。主流大模型倾向于指令型架构，而OpenAI o1和DeepSeek-R1属于推理型大模型，具备更强的深度推理能力，在解决复杂问题时表现出接近人类专家的水平。

尽管OpenAI o1的实现细节未公开，但DeepSeek-R1成功复现了其深度推理能力，并在多个方面表现出色。DeepSeek-R1不仅展示了推理过程的可视化，还开源并发布了相对详细的技术介绍，为AI行业做出了贡献。

DeepSeek-R1的优势在于其深度思考所提供的深度推理能力，打开上图中DeepSeek的深度思考（R1）后，能够模拟人类认知路径，将复杂问题分解为更小的步骤，通过多步骤逻辑推导与因果分析实现问题求解。这些步骤通常被称为“推理步骤”、“思维过程”或“思想链”，如下图R1在做数学应用题时不仅提供答案，还展示得出答案的“思考”过程。可见用户在启用深度思考模式通过链式推理显性化思考路径，能够观察AI的思考逻辑，甚至反向学习如何拆解复杂问题。这种“透明化推理”使我们能够评估模型决策的合理性和可靠性，大模型不再是神秘黑盒。

DeepSeek-R1在数学、代码和知识问答等任务中的卓越表现，暗示了其深度推理能力在应对网络安全挑战方面的巨大潜力，尤其是在处理复杂对抗逻辑、适应动态威胁、提供精确推理和决策支持等方面。在网络安全领域，深度推理通过模拟安全专家的认知过程，将复杂安全问题分解为更易管理的步骤，并进行多步骤逻辑推理，有望在以下三个维度实现突破，从而解决传统安全系统难以应对的难题：

然而，我们也需要认识到，深度推理并非适用于所有网络安全场景。由于深度推理过程需要大量的计算资源，可能导致秒级以上的延迟，因此不适用于对实时性要求较高的安全处置任务。

下面绿盟科技尝试在最基础的Web渗透任务规划和测试工具调用两个方面验证DeepSeek的深度推理能力。

Web渗透任务规划：

在DeepSeek网页版中，关闭深度思考（R1）模式，观察其对Web渗透任务规划的输出。如下图结果部分显示，规划输出侧重于步骤的完整性，但缺乏对渗透环境和任务详细深入的分析，仅体现了渗透测试的常识性知识。这表明，在未启用深度推理的情况下，DeepSeek无法应用于复杂渗透测试任务的规划。

开启深度思考后（R1），Deep Seek在Web渗透任务规划能力得到显著提升。首先展示推理过程，用时18秒。这一过程突出了任务分解和多步骤逻辑链，使得用户可以理解其决策过程，并评估其合理性。

相比于未开启深度思考模式，DeepSeek-R1输出的任务规划不仅更加完整，而且在任务细节上有了细致分析。如下图以信息收集阶段为例，DeepSeek-R1不仅给出了不同信息的收集工具，还针对nmap等探测命令推荐了重点关注的端口。这种细致程度表明DeepSeek-R1对Web渗透测试的理解已达到有一定经验的渗透测试人员的水平。

最后DeepSeek-R1深度思考后的输出，还包括渗透测试的注意事项以及覆盖整个任务过程的建议，确保全面覆盖攻击面。

从深度思考后（R1）的输出可以看出，DeepSeek-R1在Web渗透测试任务规划方面是有可能模拟人类认知，将复杂问题分解为更小的步骤，展示推理过程，使用户理解其决策依据，并评估其合理性。深度推理能力有望整合网络安全领域的知识后，应用于具体的渗透测试任务中。

然而，上述Web渗透测试任务规划与实际操作仍存在差距。真实的渗透测试环境极其复杂，且需要应对不断变化的环境因素。这意味着深度推理需要具备更强的适应性和实时性，才能真正应用于渗透实战场景。

渗透测试工具调用：

当前，DeepSeek-R1作为AI助手，尚不具备直接调用和执行工具（如nmap）的能力。因此，我们接下来主要测试其对nmap工具的理解和应用能力。

通过测试，DeepSeek-R1令人眼前一亮的是它能够提供nmap扫描命令示例、结果解析方法，甚至给出变通方案。如下图所示，DeepSeek-R1 提供了在线工具组合和 Python 代码的实现方式，可以在不直接执行nmap的情况下，指导用户完成相应的网络扫描任务，提供有益的辅助，这展现了其作为AI助手在安全领域的潜在价值。

同时，DeepSeek-R1思考中还提出了企业级扫描测试和合规性注意事项（如下图），这表明其不仅深入理解nmap命令手册中的各种参数，还具备nmap高阶用法的实践经验。

1. 攻防对抗经验 ：DeepSeek-R1 能够建议将-f分片传输和--data-length 组合使用，体现了其在攻防对抗方面的经验。通过-f选项，nmap在扫描时使用小的IP包分段，将TCP头分段在几个包中，使得包过滤器、IDS等其它检测工具变得更加困难。--data-length参数则用于指定每个探测包附加的随机数据长度，在探测某些类型的防火墙或 IDS 时，增加一定的随机性使得扫描更难以被检测

2. 脚本扫描能力：DeepSeek-R1 能够通过nmap --script来执行用户自定义的多样化脚本集，这通常是高阶渗透测试专家才会考虑的做法。然而，DeepSeek-R1推荐的http-aws-keys脚本名称未能找到，可能存在模型幻觉。

3. 绕过IP拦截（ACL）：DeepSeek-R1建议通过Proxychains和nmap结合使用来避开IP封锁，这也是高阶渗透测试专家常用的技巧。Proxychains 允许用户通过SOCKS或HTTP代理链来转发网络流量，从而隐藏真实IP地址并绕过目标服务器的IP拦截。

总的来说，DeepSeek-R1在nmap使用方面展现出了较高的专业水平，能够为安全分析人员提供有价值的参考和指导。同时，也需要注意模型可能存在的幻觉问题，并结合实际情况进行验证和调整。

DeepSeek的深度推理能力在Web渗透测试任务规划和nmap工具理解方面展现出一定的潜力，但仍有提升空间，包括添加工具调用能力和增强模型的实用性，并提高模型在复杂环境下的适应能力及减少模型幻觉。

当绿盟风云卫AI安全能力平台采用知识蒸馏技术，将DeepSeek-R1的深度推理能力迁移至SecLLM（如下图）。DeepSeek-R1作为教师模型，将推理知识传递给学生模型SecLLM。推理知识数据包括两部分：一部分数学和代码方面的思维链数据，二是利用DeepSeek-R1为现有渗透测试数据集生成的推理步骤或思维过程。这些推理知识数据模拟渗透测试专家的认知过程，将复杂安全问题分解为更易管理的多个步骤，便于模型学习和推理。经专家审核优化后，这些推理知识数据被用于训练SecLLM，使其重点保留逻辑推理和自主验证能力。通过教师模型的输出如推理路径、中间状态指导学生模型训练，实现推理知识有效传递到DeepSeek-R1-Distill- SecLLM模型上。

然后，集成深度推理能力的DeepSeek-R1-Distill-SecLLM模型被部署至安全多智能体平台。平台中现有智能体如渗透测试多智能体PTest Agent等都可以通过API获得DeepSeek-R1-Distill-SecLLM模型新加的深度推理能力。

接下来渗透多智能体PTest Agent对已授权的测试网站展开测试，验证其深度推理能力是否有效。原来PTest Agent是按照既定的渗透工作流进行渗透测试和工具调用，无法进行任务的预先规划，也无法根据实际测试环境情况灵活选择测试工具。

当前PTest Agent通过API可以获得DeepSeek-R1-Distill-SecLLM模型的深度推理能力。惊喜发现，PTest Agent对测试网站的渗透任务进行预先规划，给出信息收集、指纹生成、POC验证和EXP生成和漏洞利用的详细过程。这过程中根据收集网站指纹信息推理分析了可利用漏洞，并按严重程度、利用方式、攻击收益等指标进行排序推荐。更为关键是这过程中对可用漏洞执行了自主PoC验证，并推荐出可用漏洞利用工具zentao_auth_bypass_rce_1(利用脚本名称)。可以看出，PTest Agent不再依赖于预设的工作流，已经拥有了一部分逻辑推理和自主验证的能力。这部分深度推理能力有助于PTest Agent灵活适应复杂和动态变化的测试环境。

PTest Agent任务规划完毕后，可以按规划的多个步骤自动化执行并完成工具的调用和执行。如下图自动生成漏洞验证工具的执行参数，并自动调用工具完成PoC漏洞验证。

在漏洞验证任务完成后，分析其PoC验证结果，尝试下一步攻击任务。如果PoC验证成功，证明漏洞存在并可利用。PTest Agent接下来调用执行前面推荐的漏洞利用工具zentao_auth_bypass_rce_1，自动执行对该漏洞的利用步骤。

PTest Agent通过对利用工具zentao_auth_bypass_rce_1的调用执行，上传webshell文件任务，完成webshell木马的植入，最后给出如下图所示的漏洞利用结果。

渗透人员根据PTest Agent给出的远程连接信息（webshell、后门、弱密码等），可以进行远程控制目标（如下图）。

从上述渗透测试的整个过程来看，PTest Agent能够依据目标系统的具体情况进行分析、推理和决策，从而有效完成web网站的渗透测试任务，其深度推理能力在渗透任务规划、信息推理分析、测试工具推荐等方面展现出可行性。

然而，上述测试仅仅是深度推理能力的一个简单验证。深度推理能力仍存在一定的局限性，需要加强多样化的思维链数据集构建，帮助SecLLM更好地理解和学习不同类型的渗透测试问题的推理模式，从而提高模型的泛化能力，使模型在面对动态环境和复杂任务时表现出更强的适应性和鲁棒性。