SRC-Hunter - AI 驱动的自动化 SRC / 渗透测试辅助平台：FOFA 资产搜集 + LLM 多 Worker

项目说明

<di="right">

English | 中文

</div>

SRC Hunter

> AI 驱动的自动化 SRC / 渗透测试辅助平台 —— 单进程部署（SQLite + FastAPI 托管前端）。
>
> 当前版本：v0.1.0-beta1（测试阶段）

---

⚠️ 免责声明

本工具仅用于「已获得合法授权」的安全测试、教育研究与自身系统的安全评估。

> 如果你不同意以上条款，请立即停止使用并删除本工具。

---

一、项目致谢

本项目在设计思路上参考了 AutoHunter（作者：StanleyNull），并在其基础上移植了部分预设的渗透测试场景 / 打法。在此向原作者表示感谢。

SRC Hunter 是在该设计理念之上独立实现的一套自动化平台，围绕「LLM 自主决策 + 工程化治理」重新组织了任务编排、自主 Worker、质量研判、安全护栏与情报沉淀等能力。

---

二、技术总览

技术栈

| 层 | 技术 |
|----|------|
| 后端 | Python 3.10+ · FastAPI · U · SQLAlchemy 2.0 · Pydantic 2 · httpx(HTTP/2) |
| 数据库 | SQLite（单文件，内置，无需外部中间件） |
| 前端 | Vue 3 · · Vite · marked · DOMPurify |
| 智能 | OpenAI 兼容大模型 API（如 DeepSeek 等，自备 Key） |
| 情报 | FOFA（官方直连 或 第三方中转，二选一，自备 Key） |
| 并发 | 进程内线程池调度（等价 Celery 队列，但无需 Redis） |

功能详情

> 各模块之间的协作关系见 第三节流程图。

① 目标采集与优选

| 功能 | 说明 | 对应文件 |
|------|------|----------|
| FOFA 资产搜集 | 用 FOFA 语法批量取站，去重 + 归一化 | services/fofa.py · services/fofa_syntax.py |
| 通杀 Hunter | LLM 总结指纹 → 迭代 FOFA 圈定同款 → 验证 → 回流目标 | services/masshunt_agent.py |
| 资产优选 / 过滤 | 挡掉低价值展示型资产，把高产路径抬前 | services/target_filter.py · target_scorer.py · prefilter.py · target_cluster.py |
| 教育网归属 | 离线库把 IP/域名反查为所属高校（EduSRC 报告用） | services/edu_ip.py |
| 泄露凭证（可选） | 预留外部情报源接入点，默认关闭 | services/leakcreds.py |

② 挖掘执行

| 功能 | 说明 | 对应文件 |
|------|------|----------|
| 编排引擎 | 线程池调度，每个运行中任务一条编排线程，支持启动/暂停/停止 | services/engine.py |
| 自主渗透 Worker | 类 Claude Code 的 ReAct 自主 Agent，自行决定打法并产出报告 | worker/agent.py |
| Worker 工具集 | bash / http_request / read_file / write_file / web_fetch | worker/tools.py |
| 攻击面发现 | 纯 Python 的 discovery（httpx），作为 Worker 输入 | services/scanner.py |
| 多 Worker 协作 | 同一真实 host 深度优先分工深挖（侦查→分项→追打） | services/site_collab.py |
| JS / 前端分析 | 静态分析前端 JS，归并接口/凭证/云存储等攻击链提示 | worker/js_analyzer.py |

③ 研判与质量

| 功能 | 说明 | 对应文件 |
|------|------|----------|
| AI 推理 + 审核 | LLM 产出候选漏洞并按 SRC 规则过滤 | services/ai.py |
| 质量闸 | 硬编码规则拦截半成品 / 低质量漏洞，省审核 token | services/quality_gate.py |
| Finding 去重 | 跨任务指纹去重，识别「换标题/换域名」的重复 | services/dedup.py |
| 全局情报库 | 跨任务沉淀指纹/端点/凭证/打法，命中时回注 Worker | services/intel.py · intel_curator.py |

④ 安全护栏与治理

| 功能 | 说明 | 对应文件 |
|------|------|----------|
| 审批闸 | 破坏性 / 不可逆动作阻塞等待管理员放行 | services/approval.py |
| 预算 / 计费治理 | Token 成本核算与预算闸 | services/pricing.py |
| 速率限制 | 出网请求限速，礼貌扫描 | services/rate_limiter.py |
| UA 池反指纹 | 每任务领取真实浏览器 UA，按目标粘性取用，绝不暴露自身 | services/ua_pool.py |
| SSRF 出网防护 | 自身携密请求做元数据/内网拦截 | services/netguard.py |
| 命令 / 载荷 / 下载防护 | 拦截低价值命令、危险载荷与恶意下载 | worker/command_guard.py · payload_guard.py · download_guard.py |
| WAF 感知 | 识别入站 WAF 并给 Worker 规避建议 | services/inbound_waf.py · worker/waf_advisor.py |
| 敏感信息脱敏 | 日志 / 展示层对 Key 等做脱敏 | core/redaction.py |

⑤ 数据与交互

| 功能 | 说明 | 对应文件 |
|------|------|----------|
| REST API | 任务/漏洞/情报/设置/审批/规则/工具等接口 | api/*.py |
| 数据模型 | 任务、目标、漏洞、情报、设置等 ORM 模型 | models/__init__.py |
| 数据库初始化 / 迁移 | 首次建库 + 轻量列迁移 + 默认知识库种子 | services/bootstrap.py |
| 报告导出 | 漏洞导出为报告 | services/export.py |
| Web 界面 | 任务、漏洞库、情报库、问题目标、错误日志、设置 | frontend/src/views/*.vue |

---

三、系统设计思路与工作流程

核心理念：平台负责「治理与护栏」，LLM 负责「自主决策与挖掘」。目标以队列驱动、并行处理；一边深挖单个站点，一边寻找同类型系统批量扩展；所有产出都要经过「质量把关 → AI 复核 → 去重」三道关，破坏性操作需人工审批，经验回流情报库形成闭环。

> 全程安全护栏：SSRF 出网防护 · 命令 / 载荷 / 下载拦截 · 预算与限速 · 敏感信息脱敏。

---

四、部署环境要求

硬件

| 项 | 最低 | 推荐 |
|----|------|------|
| CPU | 2 核 | 4 核 + |
| 内存 | 4 GB | 8 GB + |
| 磁盘 | 2 GB 可用 | 5 GB + |
| 网络 | 可出网访问：大模型 API、FOFA、测试目标 | 同左（建议可配代理） |

软件

| 依赖 | 版本 | 说明 |
|------|------|------|
| 操作系统 | Windows 10+ / Linux / macOS | 三平台脚本齐备 |
| Python | 3.10+ | 仅用于创建发布目录内的 backend/.venv，不改动系统 Python |
| Node.js | 20+ | 用于构建前端（npm run build） |

> 所有依赖只装进发布目录（backend/.venv、frontend/node_modules）；卸载时删除本目录即可，不污染系统环境。
>
> 另需自备：大模型 API Key（OpenAI 兼容，如 DeepSeek）；如需资产搜集，另备 FOFA Key。均在 Web 界面「设置」中填写，不随发布包分发。

---

五、部署与运行

1）一键配置环境（首次）

Windows：在发布目录下双击 setup.bat，或执行：

Linux / macOS：

配置脚本会自动：创建虚拟环境 → 安装后端依赖 → 构建前端 → 生成 .env（随机密钥）→ 初始化数据库并生成管理员登录令牌。

> ⚠️ 结束时终端会打印一次管理员令牌，请立即保存，用它登录 Web 界面。
> 令牌明文也存于 backend/data/admin_token.txt。重置：setup.ps1 -ResetToken（Windows）/ setup.sh --reset-token（Linux）。

2）启动 / 停止 / 重启 / 状态

统一用 manage 脚本：双击 manage.bat 进入菜单，或用参数直接调用。

| 操作 | Windows | Linux / macOS |
|------|---------|----------------|
| 菜单 | 双击 manage.bat | ./manage.sh |
| 启动 | .\scripts\manage.ps1 start | ./manage.sh start |
| 停止 | .\scripts\manage.ps1 stop | ./manage.sh stop |
| 重启 | .\scripts\manage.ps1 restart | ./manage.sh restart |
| 状态 | .\scripts\manage.ps1 status | ./manage.sh status |

3）目录结构

> 运行后自动生成：backend/.venv、frontend/node_modules、frontend/dist、backend/data/（数据库、令牌）、.env、run/、logs/。

---

六、测试阶段说明

SRC Hunter 目前处于 beta 测试阶段，此发布版本可能存在部分 bug 与安全问题，部分功能仍在打磨。

---

七、许可协议

本项目采用非商业许可：

> 📎 署名说明：本项目部分设计与预设场景源自 AutoHunter（作者 StanleyNull），该项目采用 CC BY-NC 4.0 许可。使用本项目须一并保留对 AutoHunter 的署名（Powered By StanleyNull）并遵循其非商业条款。

> 使用本项目即视为已阅读并同意本许可协议及上文的免责声明。

项目信息

开发语言：Python

Star 数：9

技术要点

该项目属于安全软件方向的开源资源，代码结构清晰，适合安全研究人员学习参考。项目围绕AI 驱动的自动化 SRC / 渗透测试辅助平台：FOFA 资产搜集 + LLM 多 Worker 自主挖掘、审核与情报沉淀。单进程部署，仅供授权测试与研究。展开，提供了可运行的实现，对理解相关安全机制、工具原理与攻防技术具有较高的研究价值。

从技术实现角度看，此类项目的核心在于对底层原理的深入理解与工程化落地。开发者在研究过程中可以结合官方文档与社区讨论，梳理项目的初始化流程、核心模块职责与数据流转，逐步掌握其中的技术细节与设计思路。

使用与学习建议

1. 下载源码压缩包，解压到本地环境。

2. 根据项目类型准备对应的运行环境与依赖。

3. 按照 README 中的步骤完成配置与部署。

4. 在隔离的测试环境中运行验证，避免影响生产系统。

免责声明

本资源来源于开源社区，仅供安全研究、技术学习与合法授权范围内的攻防演练使用，请勿用于任何非法或侵害他人权益的用途。使用本项目产生的一切后果由使用者自行承担。