LLMtary (Elementary) — Платформа для Пентеста на основе ИИ

Автономный пентест, управляемый LLM, для специалистов по информационной безопасности. От пассивной разведки до активной проверки эксплойтов и генерации профессиональных отчётов — всё работает локально, всё под вашим контролем.

⬇️ Скачать

Не требуется Flutter или инструменты для разработки — скачайте установщик для вашей платформы напрямую со страницы релизов:

Собираете из исходников? См. Setup внизу страницы.

Что такое LLMtary?

LLMtary — это приложение настольного клиента с открытым исходным кодом на Flutter, которое применяет интеллект больших языковых моделей на каждом этапе пентеста. Укажите цель — IP-адрес, имя хоста, FQDN или CIDR-блок — и LLMtary автономно выполняет разведку, выявляет уязвимости в десятках категорий атак, а затем реализует и подтверждает каждое найденное — без выхода из вашей машины.

Независимо от того, запускаете ли вы локальную модель на собственном GPU с полным отсутствием утечки данных за пределы вашей сети, или используете облачную модель для максимальной точности, LLMtary предоставляет структурированный агентный цикл тестирования, воспроизводящий реальное взаимодействие: пассивная разведка → определение сервисов → поиск уязвимостей → целевая эксплуатация → пост-эксплуатация → профессиональное отчётность.

Зачем LLMtary?

• Пентест с локальным ИИ — полностью работает на месте с Ollama или LM Studio; облако не требуется
• Структурированный агентный цикл — не просто генерация предложений; LLMtary фактически выполняет команды, читает вывод и итерирует
• Многофазное обогащение — результаты фазы 1 используются в промптах фазы 2, что даёт более точные и целенаправленные уязвимости
• Вывод промышленного качества — метаданные CVSS, оценка бизнес-рисков, цепочки атак в AD в стиле BloodHound, а также профессиональные отчёты в HTML/Markdown
• Кроссплатформенность — нативные сборки для Linux, macOS и Windows

Скриншоты

Область / Разведка

Доказательство / Эксплуатация

Сводка результатов

Деталь результата

Ключевые возможности

Движок автономной разведки

Встроенный ReconService LLMtary обеспечивает начальный сбор данных через цикл, управляемый LLM — выполняет сканирование портов, получение баннеров сервисов, веб-фингерпринтинг, перечисление DNS, обнаружение WAF, определение ОС и извлечение сертификатов — а затем объединяет все результаты в структурированный JSON, который подаётся на вход аналитического конвейера. Ручной ввод данных не требуется.

Двухфазный конвейер анализа уязвимостей

Анализ повторяет структуру профессиональной оценки, результаты фазы 1 обогащают каждый промпт фазы 2:

Фаза 1 — Пассивная разведка и определение сервисов (быстрая, всегда выполняется): - Анализ CVE/версий — строгое сопоставление продукт+версия с известными диапазонами уязвимостей - Анализ сетевых сервисов — SMB, SSH, FTP, базы данных, SNMP/управленческие протоколы, WinRM/WMI, IPv6 - DNS/OSINT и безопасность электронной почты — зонные передачи, поддоменная разведка, пробелы SPF/DMARC (внешние цели)

Фаза 2 — Полный анализ уязвимостей (обогащённый контекстом фазы 1): - Веб-приложения — четыре специализированных прохода: основные слабости инъекций/CMS/аутентификации, API/CORS/JWT/GraphQL/OAuth, бизнес-логика/SSTI/подмена запросов/заголовки безопасности, утечка секретов и конфигураций - Active Directory — три специализированных прохода: атаки на учётные данные (Kerberoasting, LDAP-null bind, распыление паролей), повышение привилегий (ADCS, злоупотребление ACL, атаки на делегирование), боковое перемещение (атаки ретрансляции, Pass-the-Hash/Ticket, WinRM) - SSL/TLS — стойкость шифров, версии протоколов, валидность сертификатов, известные классы уязвимостей TLS - Повышение привилегий — пути на уровне ОС: неправильная конфигурация sudo, бинарные файлы SUID, разрешения служб, запланированные задачи, злоупотребление реестром, имитация токенов - Глубокий анализ технологий — WordPress, Jenkins, Atlassian, Tomcat, Exchange, Elasticsearch, VMware, GitLab, Citrix, Drupal, MSSQL, ADCS, обход WAF — каждый запускается только при наличии индикаторов соответствующей технологии

Пост-анализ: - Дедупликация, валидация цитат из доказательств, сортировка по серьёзности/уверенности/бизнес-риску - Если обнаружено ≥2 результатов HIGH/CRITICAL для Active Directory, запускается анализ цепочки атак в стиле BloodHound для определения многошаговых путей к Domain Administrator

Цикл автономного тестирования эксплуатации

Каждый выбранный результат проходит полный цикл автономной валидации:

• LLM планирует свой подход, выполняет реальные shell-команды, читает вывод команд, оценивает результаты и адаптируется — продвигаясь через фазы RECON → VERIFICATION → EXPLOITATION → CONFIRMATION
• Настраиваемые лимиты итераций для каждого типа результата (подтверждённые CVE vs. спекулятивные)
• Обнаружение повторяющихся команд и семантического исчерпания подходов предотвращает бесконечные циклы
• Промптинг с учётом OPSEC — каждая итерация включает рекомендации по темпу запросов, снижению шума сканирования, минимизации сигнатур инструментов и ограничению воздействия тестов
• Обнаружение ограничений частоты — распознаёт сигналы 429, «too many requests», «you have been blocked» в выводе команд; уведомляет LLM и автоматически корректирует следующий подход
• Двухуровневая предварительная валидация команд:
  • Уровень 1 (статический, без затрат) — блокирует выполнение несценарных файлов, шаблоны pipe-to-shell (curl url | bash), автоматически исправляет пути Windows в контексте WSL
  • Уровень 2 (с помощью LLM, кэшированный) — валидирует правильное использование флагов для высокорисковых инструментов (nmap, sqlmap, gobuster, hydra, nuclei, metasploit и др.); первый вызов для каждого инструмента стоит один раунд LLM, все последующие вызовы бесплатны; таймаут 20 секунд

Анализ цепочки атак

• Когда уязвимость подтверждена, исполнитель определяет, позволяет ли она упростить проверку другой уязвимости, и отмечает возможности цепочки в доказательстве результата
• Подтверждённые артефакты (RCE, SQLi, обход аутентификации, LFI, SSRF) передаются вперёд как контекст — последующие уязвимости знают, какой доступ уже получен
• После завершения всех циклов, если подтверждено ≥2 результатов, запускается послеисполнительный анализ цепочки атак — определяется, как подтверждённые результаты комбинируются в многоступенчатые пути атаки с более высоким воздействием, добавляемые как результаты AttackChain

Перечисление после эксплуатации

Когда подтверждённое уязвимость даёт доступ высокого уровня (RCE, инъекция команд, обход аутентификации, учётные данные по умолчанию), автоматически ставится в очередь последовательность пост-эксплуатационного перечисления — перечисление пользователей, групп, сетевых интерфейсов, запущенных служб, читаемых файлов учётных данных и путей повышения привилегий, документируя полный радиус воздействия полученного доступа.

Банк учётных данных на сессию

• Обнаруженные учётные данные собираются в общий для сессии банк и автоматически включаются в контекст при проверке последующих уязвимостей на той же цели — обеспечивая реальное повторное использование учётных данных и цепочки атак
• Дедупликация по отпечатку служба/хост/имя пользователя
• Подтверждённые учётные данные (подтверждены в выводе команд) сохраняются в SQLite; предполагаемые учётные данные помечаются как неподтверждённые в промптах
• При обнаружении подтверждённых учётных данных автоматически запускается процедура повторного анализа от имени аутентифицированного пользователя для затронутой цели, чтобы выявить дополнительные уязвимости, требующие учётных данных

Классификация целей по области видимости

• Автоматически классифицирует цели как внутренние (RFC-1918, хосты в LAN) или внешние (FQDN, выходящие в интернет, публичные IP-адреса)
• Для каждой области видимости используются разные наборы промптов — внешние цели получают анализ SSL/TLS, DNS/OSINT, CDN/WAF; внутренние цели получают анализ сетевых служб и Active Directory
• Предотвращает шумы между областями — нет находок SMB на внешних хостах, нет находок о захвате поддоменов на внутренних хостах

Режим утверждения команд

• Необязательный режим, который приостанавливается перед каждым выполнением команды и показывает её пользователю для проверки
• Варианты: Разрешить один раз, Разрешить всегда (добавляется в белый список) или Запретить (LLM уведомляется о необходимости попробовать другой подход)
• Переключатель вступает в силу немедленно — включение или отключение во время выполнения применяется к следующей команде

Управление проектами и отчётность

• Несколько именованных проектов, каждый с множеством целей
• Все находки, журналы команд и учётные данные сохраняются в SQLite по проектам/целям
• Экспорт и импорт проектов в виде зашифрованных пакетов .penex (шифрование AES, защита паролем)
• HTML-отчёт — профессиональный оформленный отчёт с титульной страницей, резюме для руководства, разбивкой по уровням серьёзности, полными находками с метаданными CVSS и таблицей учётных данных
• Markdown-отчёт — то же содержимое в портативном формате
• Экспорт в CSV — плоский список находок для таблиц и других инструментов
• Генерация с помощью ИИ для разделов резюме для руководства, методологии, модели оценки рисков и заключения

Кроссплатформенное десктопное приложение

• Нативные сборки для Linux, macOS и Windows
• На Windows определяется наличие WSL и используется bash через WSL; при отсутствии WSL используется PowerShell/cmd с командами, нативными для Windows
• Определение ОС влияет на выбор команд LLM на протяжении всего цикла тестирования

Меры безопасности

LLMtary включает несколько уровней защиты от случайного или разрушительного выполнения:

Поддерживаемые ИИ-провайдеры

Требования к LLM

Промпты LLMtary большие и требуют сильных способностей к рассуждению. Один лишь системный промпт эксплойта превышает 6000 токенов, а системный промпт разведки — более 5600 токенов: окно контекста в 4K токенов физически слишком мало.

Локальные модели (Ollama / LM Studio)

Облачные провайдеры

Облачные провайдеры (Claude, ChatGPT, Gemini, OpenRouter) выполняют все вычисления удалённо — достаточно любого компьютера, способного запустить Flutter-приложение для настольных систем.

Облачные провайдеры обеспечивают лучшие результаты благодаря большим окнам контекста (128K–200K токенов) и рассуждениям класса frontier — рекомендуется, если локальное оборудование ограничено.

Установка

Установка из готового пакета (рекомендуется)

Скачайте установщик для вашей платформы со страницы релизов. Flutter или инструменты разработчика не требуются.

Сборка из исходников (для разработчиков)

Требуется Flutter SDK (стабильная ветка) с включённой поддержкой настольных систем.

flutter config --enable-linux-desktop   # or: macos-desktop / windows-desktop
git clone https://github.com/chetstriker/LLMtary.git
cd LLMtary
flutter pub get
flutter run -d linux     # or: macos, windows

Сборка релиза:

flutter build linux      # or: macos, windows

Рекомендуемые инструменты для пентеста

LLMtary вызывает любые инструменты, установленные в вашей системе. Чем больше доступно инструментов, тем больше подходов к тестированию может предложить LLM:

• nmap — сканирование портов и определение версий служб
• nuclei — шаблонное сканирование на уязвимости
• curl / wget — формирование и тестирование HTTP-запросов
• dig / host — перечисление DNS
• smbclient / enum4linux — перечисление SMB (внутренние)
• searchsploit — поиск в локальной базе эксплойтов
• sqlmap — тестирование SQL-инъекций
• gobuster / ffuf / dirb — перечисление каталогов и путей
• hydra / medusa — подбор учётных данных
• testssl.sh / sslscan — анализ конфигурации TLS
• nikto — сканирование веб-серверов на уязвимости
• metasploit — фреймворк эксплойтов (требуется msfdb init)

Если инструмент отсутствует, LLM попытается установить его автоматически. Если установка не удаётся, он адаптируется и пытается альтернативные подходы.

Использование

1. Настройка параметров ИИ

Нажмите на значок настроек (в правом верхнем углу). Выберите вашего провайдера ИИ, введите ваш API-ключ и имя модели. Кнопка Test проверяет конфигурацию. Настройки сохраняются для каждого провайдера отдельно.

2. Создание или выбор проекта

Проекты организуют вашу работу. Создайте именованный проект, чтобы начать.

3. Определение области охвата

На вкладке SCOPE / RECON введите ваши цели в поле In-Scope Targets — принимаются IP-адреса, имена хостов, FQDN и CIDR-блоки, разделённые запятыми или переносами строк. Также можно импортировать список целей из файла (один адрес на строку). Опционально добавьте исключения и Rules of Engagement, затем нажмите GO для запуска автономной разведки.

4. Анализ

Перейдите на вкладку VULN / HUNT и нажмите Analyze. Несколько проходов LLM запускаются параллельно. Результаты появляются в таблице уязвимостей по мере их обнаружения, отсортированные по серьёзности.

5. Выбор и выполнение

Перейдите на вкладку PROOF / EXPLOIT. Отметьте уязвимости, которые вы хотите протестировать, и нажмите Execute Selected. Статусы обновляются в реальном времени: - [PENDING] — ещё не протестировано - [CONFIRMED] — эксплуатация успешна с доказательством - [NOT VULNERABLE] — однозначно исключено - [UNDETERMINED] — протестировано, но вывод неоднозначен

6. Просмотр и экспорт

Перейдите на вкладку РЕЗУЛЬТАТ / ОТЧЁТ, чтобы сгенерировать отчёт в формате HTML, Markdown или CSV.

Формат JSON данных сканирования

{
  "device": {
    "ip_address": "192.168.1.100",
    "name": "webserver01",
    "os": "Linux",
    "os_version": "Ubuntu 22.04"
  },
  "open_ports": [
    {
      "port": 80,
      "protocol": "tcp",
      "state": "open",
      "service": "http",
      "product": "Apache httpd",
      "version": "2.4.49",
      "extra_info": "(Ubuntu)",
      "cpe": "cpe:/a:apache:http_server:2.4.49"
    }
  ],
  "web_findings": [
    {
      "url": "http://192.168.1.100:80",
      "status": 200,
      "technologies": ["WordPress 6.2", "PHP 8.1"]
    }
  ],
  "dns_findings": [
    { "record_type": "MX", "name": "example.com", "value": "10 mail.example.com" }
  ],
  "waf_findings": [
    { "waf": "Cloudflare", "detected_by": "cf-ray header" }
  ]
}

Все поля помимо device и open_ports являются необязательными, но значительно повышают качество анализа.

Схема находок

Каждая находка уязвимости включает:

Архитектура

lib/
├── constants/
│   └── app_constants.dart              # Color palette, settings keys, config defaults
├── database/
│   └── database_helper.dart            # SQLite persistence (projects, targets, vulns, logs)
├── models/
│   ├── vulnerability.dart              # Finding model with CVSS fields and status
│   ├── command_log.dart                # Shell command execution record
│   ├── credential.dart                 # Discovered credential
│   ├── target.dart / project.dart      # Target and project containers
│   ├── llm_settings.dart               # AI provider configuration
│   └── llm_provider.dart               # Provider enum with metadata
├── screens/
│   ├── home_screen.dart                # Project selection and management
│   ├── main_screen.dart                # Primary workspace with tab navigation
│   ├── settings_screen.dart            # AI provider and execution settings
│   └── tabs/
│       ├── scope_recon_tab.dart        # Autonomous recon and target management
│       ├── vuln_hunt_tab.dart          # Vulnerability analysis pipeline
│       ├── proof_exploit_tab.dart      # Exploit execution and results
│       └── result_report_tab.dart      # Report generation
├── services/
│   ├── vulnerability_analyzer.dart     # Multi-prompt parallel analysis pipeline
│   ├── exploit_executor.dart           # Autonomous exploit testing loop (~91KB)
│   ├── recon_service.dart              # LLM-guided recon data collection
│   ├── prompt_templates.dart           # All analysis and execution prompts (~70KB)
│   ├── command_executor.dart           # Shell execution with safety controls (~48KB)
│   ├── llm_service.dart                # LLM API client (all 6 providers)
│   ├── report_generator.dart           # HTML/Markdown/CSV report generation
│   ├── report_content_service.dart     # AI-assisted report section generation
│   ├── project_porter.dart             # Encrypted project export/import
│   ├── storage_service.dart            # File system path management
│   ├── tool_manager.dart               # Tool availability detection and caching
│   ├── background_process_manager.dart # Long-running listeners (Responder, ntlmrelayx)
│   └── environment_discovery.dart      # OS/environment detection
├── utils/
│   ├── device_utils.dart               # Target IP extraction and scope classification
│   ├── command_utils.dart              # Command history, deduplication, approach tracking
│   ├── command_validator.dart          # Two-tier pre-execution command validation
│   ├── cvss_calculator.dart            # CVSS score computation
│   ├── json_parser.dart                # Robust JSON extraction from LLM responses
│   ├── output_sanitizer.dart           # Sensitive data redaction
│   └── app_exceptions.dart             # Typed exception hierarchy
└── widgets/
    ├── app_state.dart                  # Global ChangeNotifier state (Provider)
    ├── vulnerability_table.dart        # Sortable findings table with status indicators
    ├── command_log_panel.dart          # Real-time command output viewer
    ├── prompt_log_panel.dart           # LLM prompt/response inspector
    ├── debug_log_panel.dart            # Internal debug event stream
    ├── command_approval_widget.dart    # Approval mode command review UI
    └── results_modal.dart              # Post-execution findings summary

Справочник настроек

Отказ от ответственности

Только авторизованное использование

LLMtary выполняет реальные команды оболочки на вашем локальном компьютере против реальных целей. Он предназначен исключительно для использования специалистами в области безопасности в авторизованных проектах по тестированию на проникновение, безопасностных исследованиях и соревнованиях CTF.

Вы несёте единоличную ответственность за обеспечение наличия явного письменного разрешения на тестирование любой цели. Неавторизованное сканирование, перечисление или эксплуатация систем является незаконным в большинстве юрисдикций в соответствии с законами о компьютерном мошенничестве и несанкционированном доступе, независимо от используемых инструментов. Авторы и соавторы LLMtary не несут никакой ответственности за неправомерное использование данного программного обеспечения.

Встроенные защиты не заменяют профессиональное суждение

LLMtary включает несколько уровней встроенных защитных механизмов — чёрный список опасных команд, блокировку перенаправления в оболочку через пайп, обнаружение несценарного выполнения, защиту от таймаута соединения и необязательный режим подтверждения команд, который требует от вас проверки и авторизации каждой команды перед её запуском. Эти механизмы предназначены для снижения риска случайных действий во время авторизованного тестирования.

Однако эти защиты являются предохранителями, а не гарантиями. Они предназначены для выявления распространённых случайных или деструктивных паттернов — они не заменяют профессиональное суждение, правильное определение масштаба проекта и соблюдение правил ведения проекта. Режим подтверждения команд можно отключить; если вы решите его отключить, вы принимаете на себя полную ответственность за каждую команду, которую система выполняет. Авторы и соавторы LLMtary не несут никакой ответственности за любой ущерб, потерю данных, сбой службы или другой вред, возникший в результате выполнения команд, сгенерированных или запущенных этим программным обеспечением.

Ответственность за расходы на API

LLMtary поддерживает как локально размещённые модели (Ollama, LM Studio — бесплатные, офлайн, без затрат на использование), так и облачных ИИ-провайдеров (Anthropic Claude, OpenAI ChatGPT, Google Gemini, OpenRouter). При использовании облачных провайдеров LLMtary выполняет вызовы API, за которые взимается плата с вашего аккаунта соответствующим провайдером. Конвейер анализа LLMtary запускает несколько проходов LLM параллельно, а цикл тестирования эксплуатации может выполнять множество итераций на одну уязвимость. Потребление токенов может быть значительным, особенно при больших наборах целей, высоких ограничениях на итерации или при использовании больших языковых моделей. Вы несёте исключительно ответственность за все расходы на использование API, возникающие в результате вашего использования LLMtary. Контролируйте использование и биллинговые панели вашего облачного провайдера. Авторы и участники LLMtary не несут ответственности за неожиданные начисления, возникающие в результате использования данного программного обеспечения.

Лицензия

LLMtary распространяется под MIT License. Полный текст лицензии см. в LICENSE.txt.

Вклад

Вклад, отчёты об ошибках и запросы на новые функции приветствуются. Открывайте issue или pull request на GitHub.