IVAgent (Intelligent Vulnerability Analysis Agent) 是一个基于大语言模型(LLM)的智能漏洞挖掘系统，支持多种分析引擎和二进制/源码分析场景。

目录

• 核心特性
• 系统架构
• 快速开始
• 使用方式
• 核心概念
• 配置说明
• 扩展开发

---

核心特性

• 多引擎支持: IDA Pro (二进制)、JEB (Android)、ABC-Decompiler (HarmonyOS)、Source Code (源码)
• 递归深度分析: 基于调用链的深度漏洞挖掘，支持跨函数分析
• 约束传播: 支持污点源追踪和参数约束在调用链中的传播
• 智能调度: LLM 驱动的 Workflow 编排和任务调度
• 可视化: 完整的 Web 界面支持日志追踪、漏洞管理和 Agent 执行可视化

---

系统架构

IVAgent 采用分层设计，核心组件包括：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

┌─────────────────────────────────────────────────────┐ │                 用户界面层                           │ │  (CLI / Web UI / API)                               │ ├─────────────────────────────────────────────────────┤ │                 编排调度层                           │ │  (Orchestrator / Task Manager / Workflow Parser)    │ ├─────────────────────────────────────────────────────┤ │                 智能分析层                           │ │  (DeepVulnAgent / FunctionSummaryAgent / ...)       │ ├─────────────────────────────────────────────────────┤ │                 引擎抽象层                           │ │  (IDA Engine / JEB Engine / Source Engine / ...)    │ ├─────────────────────────────────────────────────────┤ │                 数据存储层                           │ │  (Vuln Storage / Log Storage / Cache)               │ └─────────────────────────────────────────────────────┘

项目结构

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49

ivas/ ├── ivagent/                    # 核心包 │   ├── agents/                 # Agent 实现 │   │   ├── deep_vuln_agent.py  # 深度漏洞挖掘 Agent (核心) │   │   ├── callsite_agent.py   # 调用点解析 Agent │   │   ├── function_summary_agent.py  # 函数摘要 Agent │   │   └── prompts.py          # 提示词模板 │   ├── backends/               # 后端适配器 │   │   ├── ida/                # IDA Pro 适配器 │   │   ├── jeb/                # JEB 适配器 │   │   └── abc_decompiler/     # ABC 反编译器适配器 │   ├── core/                   # 核心组件 │   │   ├── llm_logger.py       # LLM 调用日志 │   │   ├── agent_logger.py     # Agent 执行日志 │   │   ├── vuln_storage.py     # 漏洞存储 │   │   └── tool_llm_client.py  # Tool Call 客户端 │   ├── engines/                # 分析引擎 │   │   ├── base_static_analysis_engine.py  # 引擎基类 │   │   ├── ida_engine.py       # IDA 引擎 │   │   ├── jeb_engine.py       # JEB 引擎 │   │   ├── abc_engine.py       # ABC 引擎 │   │   ├── source_code_engine.py  # 源码引擎 │   │   └── factory.py          # 引擎工厂 │   ├── models/                 # 数据模型 │   │   ├── constraints.py      # 约束和上下文 │   │   ├── vulnerability.py    # 漏洞模型 │   │   └── workflow.py         # Workflow 模型 │   ├── orchestrator/           # 任务编排 │   │   ├── orchestrator_agent.py  # 编排 Agent │   │   ├── workflow_parser.py  # Workflow 解析器 │   │   └── tools.py            # 编排工具集 │   ├── scanner.py              # 扫描器主类 │   └── web/                    # Web 界面 │       ├── server.py           # Web 服务器 │       ├── api.py              # REST API │       └── static/             # 静态资源 ├── preconditions/              # 预置条件配置 │   ├── _template.md            # 模板 │   ├── android.md              # Android 入口分析 │   ├── binary.md               # 二进制分析 │   └── harmony.md              # HarmonyOS 分析 ├── workflows/                  # Workflow 定义 │   ├── android_sql_injection.md │   ├── arkts_ability_hijack.md │   └── rpc_server_analysis.md ├── ivagent_scan.py             # 扫描 CLI ├── orchestrator_cli.py         # Workflow CLI ├── launch_web.py               # Web 启动器 └── start_ida_rpc.py            # IDA RPC 启动器

---

快速开始

安装依赖

1	pip install -r requirements.txt

环境配置

1 2 3

export OPENAI_API_KEY="your-api-key" export OPENAI_BASE_URL="0d8K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6S2M7r3W2Q4x3X3g2G2M7r3g2F1j5h3W2Q4x3X3g2U0L8$3#2Q4x3V1k6$3x3b7`.`."  # 可选 export OPENAI_MODEL="gpt-4"  # 可选

启动 IDA RPC 服务器（如使用 IDA 引擎）

1 2	# 在 IDA Pro 中加载 IDB 后运行 python start_ida_rpc.py --idb /path/to/binary.i64 --port 9999

配置 ABC-Decompiler 引擎（HarmonyOS 应用分析）

ABC-Decompiler 用于分析 HarmonyOS 应用的 ABC 文件，基于 Jadx 的 MCP 插件实现。

架构流程：

1	IVAgent → AbcDecompilerClient → MCP Server → Jadx AI MCP Plugin → ABC 文件

配置步骤：

1. 安装 Jadx AI MCP 插件

   1	# bf9K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6E0j5h3N6A6j5$3I4X3i4K6u0V1j5h3W2Q4x3V1k6S2j5X3y4Q4x3X3c8V1k6h3y4G2L8i4m8A6L8r3g2J5i4K6u0V1L8h3y4H3

2. 启动 MCP 服务端

   1 2 3 4 5

   # 进入服务端脚本目录 cd ivagent/backends/abc_decompiler/server_scripts   # 启动 MCP Server（HTTP 模式） python jadx_mcp_server.py --http --port 8651 --jadx-port 8650

   参数说明：

   • --http: 启用 HTTP 传输模式
   • --port: MCP Server 监听端口（默认 8651）
   • --jadx-port: Jadx AI MCP Plugin 端口（默认 8650）

3. 在 ABC-Decompiler 中加载 ABC 文件

   • 打开 ABC-Decompiler
   • 加载要分析的 .abc 文件
   • 确保 AI MCP Plugin 已启用并连接到端口 8650

4. 测试连接

   1 2	# 服务端启动后会显示健康检查结果 # Health check result: {"status": "ok"}

配置 JEB 引擎（Android 应用分析）

JEB 引擎用于分析 Android APK 文件，通过 JSON-RPC 协议与 JEB 进程通信。

架构流程：

1	IVAgent → JEBClient → HTTP JSON-RPC → JEB RPC Server (MCP.py) → JEB Decompiler → APK

配置步骤：

1. 准备 JEB 环境

   • 确保 JEB 已安装并可正常运行
   • 需要 JEB 的脚本执行权限

2. 启动 JEB RPC 服务

   方式一：通过 JEB 控制台加载脚本

   1 2 3

   # 在 JEB 中打开 APK 文件 # 然后执行脚本：File → Scripts → Execute Script # 选择：ivagent/backends/jeb/server_scripts/MCP.py

   方式二：设置环境变量（守护模式）

   1 2 3 4 5 6

   # 启用守护模式 export JEB_MCP_DAEMON=1 export JEB_MCPC_HOST=127.0.0.1 export JEB_MCPC_PORT=16161   # 然后在 JEB 中执行 MCP.py 脚本

3. 验证服务启动

   • 脚本执行后会在控制台输出：[MCP] Server started at 642K9s2c8@1M7q4)9K6b7g2)9J5c8W2)9J5c8U0p5J5y4#2)9J5k6e0m8Q4x3X3f1H3i4K6u0W2x3g2)9K6b7e0p5$3x3e0j5I4
   • 服务默认监听端口 16161

环境变量配置：

---

使用方式

IVAgent 提供两种主要使用方式：

1. 直接扫描模式 (ivagent_scan.py): 针对指定函数进行深度漏洞分析
2. Workflow 编排模式 (orchestrator_cli.py): LLM 驱动的自动化任务编排

方式一：直接扫描指定函数

使用 ivagent_scan.py 对单个或多个函数进行漏洞扫描。

基础用法

IDA 引擎（二进制分析）：

1 2 3 4 5 6

# 扫描单个函数 python ivagent_scan.py \     -e ida \     -t /path/to/binary.i64 \     -f "sub_140001000" \     --preset binary

JEB 引擎（Android APK 分析）：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

# 确保 JEB RPC 服务已启动（端口 16161）   # 扫描 Android 应用的特定方法 python ivagent_scan.py \     -e jeb \     -t /path/to/app.apk \     -f "Lcom/example/MainActivity;->onCreate" \     --preset android   # 指定自定义端口 python ivagent_scan.py \     -e jeb \     -t /path/to/app.apk \     --host 127.0.0.1 \     --port 16161 \     -f "Lcom/example/LoginActivity;->checkLogin" \     --preset android

ABC-Decompiler 引擎（HarmonyOS 应用分析）：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

# 确保 MCP Server 已启动（端口 8651）   # 扫描 HarmonyOS 应用的方法 python ivagent_scan.py \     -e abc \     -t /path/to/app.abc \     -f "com.example.EntryAbility.onCreate" \     --preset harmony   # 指定自定义 MCP Server URL python ivagent_scan.py \     -e abc \     --host "602K9s2c8@1M7q4)9K6b7g2)9J5c8W2)9J5c8U0p5J5y4#2)9J5k6e0m8Q4x3X3f1H3i4K6u0W2x3g2)9K6b7e0R3$3y4e0q4Q4x3V1k6E0j5%4l9`." \     -f "com.example.MyAbility.parseData" \     --preset harmony

参数说明

使用 Precondition 配置

Precondition 用于描述目标函数的已知约束，帮助 Agent 更精准地分析：

1 2 3 4 5

# 使用预置配置 python ivagent_scan.py -e ida -t driver.i64 -f "parse_input" --preset binary   # 使用自定义配置文件 python ivagent_scan.py -e ida -t driver.i64 -f "parse_input" --config ./my_precondition.md

内置 preset 包括：

• binary: 二进制解析函数分析
• android: Android 入口点分析
• harmony: HarmonyOS 应用分析

Precondition 配置示例

---
name: Binary Parser Function
description: 二进制解析函数的安全分析配置
target: binary_parser
taint_sources:
  - "param1"
---

## 参数说明

### 第一个参数
- 指向攻击者控制的数据缓冲区

### 第二个参数
- 数据长度（可能由攻击者指定）

## 常见风险点

- 长度验证缺失或不当
- 整数溢出（长度计算）
- 缓冲区溢出

方式二：Workflow 编排分析

使用 orchestrator_cli.py 通过 Workflow 文档描述分析意图，由 LLM 自主规划执行。

基础用法

源码分析模式：

1 2 3 4 5

python orchestrator_cli.py \     --workflow workflows/android_sql_injection.md \     --engine source \     --target /path/to/source \     --source-root /path/to/source

IDA 引擎 + Workflow：

1 2 3 4

python orchestrator_cli.py \     --workflow workflows/rpc_server_analysis.md \     --engine ida \     --target /path/to/binary.i64

JEB 引擎 + Workflow（Android 分析）：

1 2 3 4 5 6 7

# 确保 JEB RPC 服务已启动   python orchestrator_cli.py \     --workflow workflows/android_sql_injection.md \     --engine jeb \     --target /path/to/app.apk \     --source-root /path/to/source

ABC-Decompiler 引擎 + Workflow（HarmonyOS 分析）：

1 2 3 4 5 6

# 确保 MCP Server 已启动   python orchestrator_cli.py \     --workflow workflows/arkts_ability_hijack.md \     --engine abc \     --target /path/to/app.abc

参数说明

Workflow 文档格式

Workflow 使用 Markdown 描述分析意图：

---
name: "Android SQL 注入漏洞挖掘"
description: 针对 Android 应用的 SQL 注入分析
version: "1.0"
---

## 分析范围

重点关注 ContentProvider 和数据库操作代码

## 工作流

1. 搜索可能的 ContentProvider
2. 分析对外暴露的回调函数
3. 对暴露接口开展漏洞挖掘

## 漏洞关注点

- rawQuery 的参数拼接
- execSQL 的动态 SQL 构造

启动 Web 可视化界面

1 2	python launch_web.py # 访问 http://localhost:8080

Web 界面功能：

• 日志查询: 查看 LLM 调用日志、支持筛选和搜索
• Agent 追踪: 可视化 Agent 执行树和调用链
• 漏洞管理: 漏洞列表、详情、统计和状态管理
• Tool Call 分析: 查看工具调用详情和统计
• 实时推送: WebSocket 实时更新

llm 日志交互

漏洞信息

---

核心概念

1. DeepVulnAgent - 深度漏洞挖掘

系统的核心 Agent，采用多轮对话和 Tool Call 机制：

Tool Call 机制: LLM 通过调用工具主动获取信息

1 2 3 4 5 6 7 8 9 10

第 1 轮: 提供完整上下文（函数代码、调用点、约束条件）     ↓ LLM 分析 → Tool Call 请求（获取子函数摘要 / 创建子 Agent）     ↓ 第 2 轮: 返回 Tool 执行结果     ↓ LLM 继续分析 → 可能发现漏洞或继续深入     ↓ ... 第 N 轮: finalize_analysis_tool 结束分析

主要工具:

• get_function_summary_tool: 获取子函数摘要
• create_sub_agent_tool: 创建子 Agent 深入分析
• report_vulnerability_tool: 报告发现的漏洞
• finalize_analysis_tool: 完成分析

2. 分析引擎 (Engine)

统一的引擎接口支持多种后端：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

from ivagent.engines.factory import create_engine   engine = create_engine(     "ida",     target_path="/path/to/binary.i64",     host="127.0.0.1",     port=9999 )   # 获取函数定义 func_def = await engine.get_function_def(function_identifier="sub_140001000")   # 获取调用点 sites = await engine.get_callee(function_identifier)

3. 约束传播机制

在跨函数分析中，约束传播是关键：

1 2 3 4 5 6 7 8 9 10 11

# 父函数发现约束 父函数: process_input(buf, size)     ↓ 调用 子函数: memcpy(dst, src, len)       # 传播约束到子函数 argument_constraints = [     "src 指向用户可控数据（污点）",     "len 最大为 1024 字节",     "dst 是局部缓冲区，大小 256 字节" ]

约束以纯文本格式传播，降低了对 LLM 的结构化输出要求。

---

配置说明

环境变量

LLM 配置

JEB 引擎配置

引擎连接参数

API 参考

扫描器 API

1 2 3 4 5 6 7 8 9 10 11 12

from ivagent.scanner import IVAgentScanner, ScanConfig   config = ScanConfig(     engine_type="ida",     target_path="/path/to/binary.i64",     llm_api_key="your-key",     llm_model="gpt-4",     max_concurrency=10 )   scanner = IVAgentScanner(config) results = await scanner.scan_functions(["func1", "func2"], precondition)

编排器 API

1 2 3 4 5 6 7 8 9

from ivagent.orchestrator import TaskOrchestratorAgent   orchestrator = TaskOrchestratorAgent(     llm_client=llm,     engine_type="ida",     target_path="/path/to/binary" )   result = await orchestrator.execute_workflow("workflows/analysis.md")

漏洞输出格式

{
  "vulnerabilities": [
    {
      "type": "BUFFER_OVERFLOW",
      "name": "缓冲区溢出",
      "description": "函数使用 memcpy 时未检查长度",
      "location": "sub_140001000: 第 15 行",
      "severity": 0.9,
      "confidence": 0.8,
      "data_flow": {
        "source": "用户输入",
        "sink": "局部缓冲区",
        "path_description": "污点传播路径"
      },
      "remediation": "添加长度检查",
      "metadata": {
        "call_stack": ["main", "process_input", "sub_140001000"],
        "evidence": ["代码证据行"]
      }
    }
  ]
}

---

扩展开发

添加新的分析引擎

继承 BaseStaticAnalysisEngine:

1 2 3 4 5 6 7 8 9 10 11 12 13 14

from ivagent.engines.base_static_analysis_engine import BaseStaticAnalysisEngine   class MyEngine(BaseStaticAnalysisEngine):     async def get_function_def(self, function_identifier, **kwargs):         # 实现获取函数定义         pass           async def get_callee(self, function_identifier):         # 实现获取子函数调用         pass           async def _resolve_static_callsite(self, callsite, caller_identifier):         # 实现调用点解析         pass

添加新的 Agent

继承 BaseAgent:

1 2 3 4 5 6

from ivagent.agents.base import BaseAgent   class MyAgent(BaseAgent):     async def run(self, **kwargs) -> Dict[str, Any]:         # 实现 Agent 逻辑         pass

---

性能优化

并发控制

1 2 3 4 5 6

# 使用信号量控制并发 semaphore = asyncio.Semaphore(max_concurrency)   async def _scan_single(idx, sig):     async with semaphore:         return await agent.run(sig)

请求去重

1 2 3 4

# 避免重复请求相同函数摘要 if func_name in requested_summaries:     continue requested_summaries.add(func_name)

缓存机制

• 函数定义缓存
• 函数摘要缓存
• LLM 响应缓存

---

局限性与改进方向

当前局限

1. LLM 成本: 大规模分析时 API 调用成本较高
2. 响应延迟: LLM 调用有几百毫秒到数秒的延迟
3. 上下文限制: 长函数代码可能超出 LLM 上下文窗口
4. 幻觉问题: LLM 可能产生不准确的分析结果

改进方向

1. 本地模型支持: 集成开源 LLM 降低使用成本
2. 增量分析: 只分析修改的函数，利用历史结果
3. RAG 增强: 结合向量数据库存储和检索安全知识
4. 多模型集成: 使用多个模型投票减少幻觉

---

参考

• LangChain - LLM 应用框架
• IDA Pro - 交互式反汇编器
• JEB Decompiler - Android 反编译器
• abc-decompiler
• aixcc-afc-atlantis

---

贡献指南

欢迎贡献代码、报告问题或提出改进建议！

项目地址: f3dK9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6E0j5h3N6A6j5$3I4X3i4K6u0V1j5h3W2Q4x3V1k6u0g2V1q4Y4k6h3&6@1

抛砖引玉，在这个 AI 时代，希望找些同路人一起探索 !