pwn-scenarios

github2026-08-31 更新2026-09-01 收录

AI渗透测试

漏洞利用场景建模

数据链接：

https://github.com/AlaBYahya/pwn-scenarios 数据链接链接失效反馈

官方服务：

资源简介：

一个渗透测试/漏洞赏金场景数据集，包含通用化的条件、步骤、影响和补救措施，每个场景基于真实公开的漏洞报告，并附带攻击决策图，结构化为JSON Lines格式，适用于AI驱动的渗透测试代理。

创建时间：

2026-08-09

原始信息汇总

数据集概述

该数据集由 AlaBYahya 创建，专注于渗透测试与漏洞赏金场景，提供了36,181条记录，覆盖47个漏洞类别。每条记录是一个通用的、可复用的场景化流程，格式为结构化的 JSON Lines，包含漏洞信息、场景过程、影响与修复建议，并关联到一个真实公开的漏洞报告或writeup的元数据。

数据组成与来源

来源	平台标识	记录数
HackerOne 公开 Hacktivity（GraphQL API）	`hackerone`	10,984
Pentester Land、GitHub 精选列表、RSS、博客、Exploit-DB、ZDI 等聚合渠道	`aggregated_writeup`	10,292
GitHub CTF writeup 仓库	`ctf`	8,359
GitHub Security Advisories（仅审查过的，按真实 CWE 分类）	`ghsa`	2,514
GitHub TryHackMe 房间 writeup 仓库	`tryhackme`	2,416
GitHub HackTheBox 机器 writeup 仓库	`hackthebox`	1,616

覆盖的漏洞类别（节选）

CTF 挑战（通用）：8,147条
反射型 XSS：3,255条
访问控制失效：2,440条
敏感信息泄露：2,328条
SQL 注入：1,624条
内存损坏：1,615条
远程代码执行：1,307条
业务逻辑缺陷：1,305条
认证绕过：1,271条
拒绝服务：1,051条
路径遍历：824条
CSRF：737条
IDOR：677条
SSRF：614条
命令注入：549条
账户接管：520条

此外还包含 AI/LLM 相关类别（如提示注入、模型拒绝服务、训练数据投毒）以及区块链/智能合约类别（如重入攻击、价格预言机操纵、未检查的外部调用等）。

攻击决策图

数据集附带一个攻击决策图（data/graph/attack_graph.json），用于回答“基于当前已确认的状态，下一步尝试什么”的问题。该图包含：

35个通用漏洞类
17条真实 CVE 链（如 Log4Shell、Spring4Shell、Zerologon、EternalBlue、PrintNightmare、MOVEit 等，CVE ID/CVSS 已与 NVD 核对）
9个 AI/LLM 类
7个区块链/智能合约类

所有类别通过共享的状态词汇表汇聚，例如提示注入滥用过度授权的 agent 工具时，会落到与 IDOR 相同的 unauthorized_privileged_action_possible 状态。

使用方式

RAG 管道：运行 python3 scripts/build_views.py，然后使用 data/index.sqlite3 或 data/scenarios/by_class/ 按 CWE/类别/标签检索。
微调：运行 python3 scripts/sample_balanced.py --max-per-class 20 --min-confidence medium --out data/scenarios/balanced_sample.jsonl 生成类别平衡子集。
决策/强化学习：使用攻击图及其模拟器 (scripts/simulate_graph.py) 生成合成 RL 片段。
数据访问：可直接克隆仓库中的分块文件，也可从 Hugging Face Hub（aeby/pwn-scenarios）加载 Parquet 文件。

已知限制

scenario.process 是按漏洞类别编写的通用playbook，并非真实报告中的具体步骤转录，这是为了法律安全与自动化扩展的有意设计。
多数记录的严重性为 "unknown"，因为公开来源不提供该信息。
分类基于关键词/别名匹配，而非语义理解；可通过 provenance.confidence 字段过滤以提高精确度。
9个 AI/LLM 类别中有6个尚无真实案例支撑（仅有提示注入、模型拒绝服务、训练数据投毒匹配到真实 writeup）。

许可证

代码（scripts/, schema/）：MIT
数据（data/, knowledge/）：CC BY 4.0

搜集汇总

数据集介绍

构建方式

该数据集通过汇聚多源公开渗透测试与漏洞赏金报告，构建了一套结构化、可复用的漏洞场景体系。构建流程涵盖从HackerOne Hacktivity、Pentester Land、GitHub安全公告、CTF及TryHackMe等平台采集原始写入，经由关键词与别名分类器对照专家编写的剧本库进行归一化，最终生成遵循JSON Schema的JSON Lines记录。每条记录将通用攻击流程（前提条件、步骤、预期观察、影响及修复）与真实披露案例的元数据相链接，并辅以攻击决策图，通过状态与动作的图谱化整合，使不同漏洞类别的利用链得以贯通。

使用方法

使用者可通过多种方式接入数据集：直接查询分块JSONL文件或构建SQLite索引（python scripts/query.py --cwe CWE-89）进行精确过滤；针对检索场景，可运行build_views.py生成按类分文件；微调需求下，sample_balanced.py能产出类别均衡的子集；而强化学习或决策任务则推荐利用攻击图及模拟器生成训练轨迹。Hugging Face平台提供Parquet格式的便捷载入，contributing机制支持社区持续提交新写入，自动化流水线定期更新数据，确保数据集动态生长。

背景与挑战

背景概述

pwn-scenarios数据集由AlaBYahya等人于近年创建，旨在为渗透测试与漏洞奖励领域提供结构化的攻击场景知识库。该数据集汇集了来自HackerOne、GitHub安全公告、CTF赛事及多个安全研究平台的大量真实漏洞报告，通过自动化收集与人工整理，构建了包含36,181条记录、覆盖47类漏洞的丰富语料。其核心研究问题在于如何将分散的漏洞披露转化为可复用、机器可读的场景化知识，以支持自主渗透测试智能体的决策。该数据集不仅提供了标准化的JSON Lines格式数据，还引入了攻击决策图模型，为漏洞利用链的自动化推理提供了基础，对安全自动化与人工智能在攻防领域的应用具有重要推动作用。

当前挑战

该数据集所面临的挑战多维且复杂。在领域问题层面，它致力于解决漏洞知识碎片化及自动化渗透测试中决策路径缺失的难题，然而漏洞场景的多样性与攻防技术的快速演进，使得数据集的时效性和覆盖面面临持续考验。在构建过程中，挑战尤为显著：首先，数据来源异构，需从多个平台整合格式迥异的报告，并确保数据质量与一致性；其次，分类标注依赖关键词匹配，难以精准捕捉语义关联，导致部分类别存在误分类风险；再者，合规与伦理约束要求仅保留元数据而避免复制原文，限制了信息的完整性；最后，数据集的构建涉及大量手工整理与验证工作，耗费人力，且随着安全社区贡献的增加，持续维护与更新亦是一大挑战。

常用场景

经典使用场景

pwn-scenarios 数据集的核心使用场景在于为渗透测试与漏洞赏金领域提供结构化的、可复用的攻击场景知识库。其数据以 JSON Lines 格式组织，每条记录包含漏洞类别、前置条件、攻击步骤、影响及修复建议，并链接至真实的公开漏洞报告。该数据集特别适用于构建基于检索增强生成（RAG）的知识问答系统，使安全研究人员或自动化工具能够快速检索特定漏洞类的通用攻击流程与实例。此外，其内置的攻击决策图支持从当前状态出发推荐下一步攻击动作，为模拟攻击路径提供了图遍历与查询能力，可作为自动化渗透测试代理的决策依据。

解决学术问题

该数据集解决了网络安全学术研究中长期存在的漏洞知识碎片化与不可复用问题。传统漏洞数据多分散于独立报告或非结构化文本，难以系统化对比与分析。pwn-scenarios 通过统一的 schema 对 47 类漏洞（含传统 Web 漏洞、AI/LLM 漏洞及区块链漏洞）进行规范化描述，并基于真实 CVE 链（如 Log4Shell、Zerologon）构建攻击决策图，支持因果推理与路径规划。这为研究漏洞利用模式、攻击链生成、以及自动化漏洞验证提供了标准化数据基础，显著促进了可泛化的漏洞检测与防御策略研究。

实际应用

在实际应用中，pwn-scenarios 数据集可服务于多个安全生产环节。其一，安全团队可将其作为红队演练或漏洞赏金项目的知识库，快速查漏补缺，识别潜在的攻击路径。其二，其丰富的标注数据（含置信度分级）可直接用于微调安全大语言模型，提升模型对漏洞描述与修复建议的生成质量。其三，攻击决策图与模拟器支持生成合成轨迹数据，可用于训练强化学习代理，实现自主渗透测试的探索策略。例如，从初始 web 访问到最终主机沦陷的最佳路径查询功能，为自动化评估系统安全态势提供了直观工具。

数据集最近研究