- 综合排序
- 最热优先
- 最新优先
AI驱动黑盒漏洞挖掘：腾讯云XBOW平台精准检测实践
部署AI驱动方案：XBOW平台与场景感知架构 药：腾讯云推出AI驱动安全未来方案，以XBOW应用安全平台为核心，整合分布式Agent架构、场景感知黑盒挖掘、工具调用优化三大能力： 分布式Agent架构 量化应用效果：效率与精准度的双重提升 效：方案经腾讯云安全众测与XBOW平台实测，关键业务指标显著优化： 资产发现能力：初始页面探索发现24个新页面，后续多URL测试中，单目标发现页面数3-70个（ 客户实践案例：XBOW平台漏洞检测实证 托 某客户基于XBOW平台开展智能渗透测试，典型案例包括： LFI漏洞检测与利用：在XBOW首页（http://10.2.35.0:31002/index.php file=xbow-flag.txt，成功读取系统敏感文件xbow-flag.txt内容，验证漏洞可利用性（据“发现漏洞”记录）。 数据来源：腾讯云安全众测实践、XBOW平台测试记录、CTF智能渗透挑战赛（Tencent Cloud Hackathon）解题数据。
25110编辑于 2026-04-05AI驱动场景感知黑盒漏洞挖掘：腾讯云XBOW平台赋能高效渗透测试
部署XBOW解决方案 腾讯云推出XBOW应用安全平台，以“AI驱动+场景感知”为核心，提供下一代黑盒渗透方案： 架构设计：采用分布式Agent架构，任务管理与执行解耦，支持多平台多节点Agent统一调度 量化应用效果 XBOW平台在渗透测试中展现显著效能，关键业务指标基于腾讯云安全众测及挑战赛实践： 资产发现：单目标URL初始探索发现24个新页面，某次任务扩展至发现70个页面（来源：XBOW平台页面探索记录 file=xbow-flag.txt），利用CVE-2021-42013执行命令获取/etc/passwd内容（uid=0(root) gid=0(wheel)）（来源：XBOW平台漏洞检测日志）。 案例2：XBOW平台LFI漏洞实战检测 目标：XBOW应用安全平台首页（http://10.2.35.0:31002/index.php，服务器：Apache/2.4.54 (Debian)，PHP/7.4.33 过程：通过“页面探索”发现private.php页面，其file参数存在LFI漏洞；利用载荷/xbow-flag.txt读取敏感文件，成功获取Flag（来源：XBOW平台漏洞检测报告）。
29220编辑于 2026-04-0696%漏洞发现率碾压商业工具！Shannon：全自主AI渗透测试Agent，34K Star
在清理版XBOW基准的白盒测试中，它以96.15%的漏洞利用成功率（100/104）拿到了目前公开的最高分之一。 三、XBOW基准96.15%的条件与细节Shannon在XBOW基准上取得了96.15%的漏洞利用成功率（100/104）。这是一个值得拆解的数字——不仅因为成绩本身，更因为理解它的适用条件很重要。 作为参考，同类AI安全工具在XBOW基准上的公开成绩包括：KinoSec 92.3%（黑盒模式）、Xfenser AI 88.5%、XBOW自身商业平台约85%（黑盒）。 Help Net Security的评测中提到中等规模应用约$8-10 API成本，可能对应更小规模或部分测试的场景。 96.15%的XBOW基准成绩（白盒清理版条件下），加上OWASP Juice Shop上20+个真实漏洞的发现，验证了这一方法论在已知漏洞场景中的有效性。在此基础上，有几点值得进一步思考。
1.1K11编辑于 2026-04-10- 来自专栏python3
笨办法学Python - 习题8-10:
注意：上述代码说明两个点，一个是%r 的作用，是占位符，可以将后面给的值按原数据类型输出(不会变)，支持数字、字符串、列表、元组、字典等所有数据类型。
74800发布于 2020-02-10 多智能体协同自主进化渗透测试系统：基于XBOW Benchmarks的量化评估与实践
XBOW Validation Benchmarks Statistics）。 开源赋能：发布评估系统（GitHub: https://github.com/Neuro-Sploit/xbow-validation-benchmarks）、修复XBOW Benchmark上游遗留问题 github.com/Neuro-Sploit/tencent-cloud-hackathon-intelligent-pentest-competition-evaluation），开发本地API兼容比赛平台 ，实现零成本无限次演练，修复官方XBOW Benchmark遗留问题。 Benchmarks构建标准化反馈闭环，从漏洞利用成功率、耗时、成本多维度量化Agent性能，支持CTF比赛平台API/MCP接口开放（来源：AI驱动安全未来与XBOW共赴智能攻防之巅）； 开源贡献
29620编辑于 2026-04-06多智能体协同自主进化渗透系统：基于XBOW基准的量化评估与实践
评估标准化：基于XBOW Validation Benchmarks数据集（含104个环境，分简单45、中等51、困难8）实现多维度评估（来源：材料“XBOW Validation Benchmarks 比赛应用：参与腾讯云黑富松智能渗透挑战赛，使用PentestSkills系统： 基于XBOW数据集评估，映射漏洞至OWASP TOP 10，涉及最多漏洞类型为注入型（59）、访问控制（29）、安全配置错误 ）、**XBOW Validation Benchmarks数据集（修复上游遗留问题，地址：https://github.com/Neuro-Sploit/xbow-validation-benchmarks 数据与生态支撑：依托XBOW Validation Benchmarks数据集（104环境、多难度分级）建立评估基线，提供CTF平台API/MCP接口支持大模型参赛（来源：材料“修正评估基准 (XBOW 开源社区共建：推动评估标准完善、工具矩阵扩展，支持企业/高校接入真实SRC平台（高危操作需人工确认）（来源：材料“未来展望”部分）。
21210编辑于 2026-04-05腾讯云AI驱动场景感知黑盒漏洞挖掘方案：从盲打到精打的效率跃迁
技术组件：采用分布式Agent架构（材料：“分布式Agent架构”），解耦任务管理与执行，支持多平台多节点统一调度；推行常态化题海战术（材料：“常态化题海战术”）与POC迁移后利用，提升漏洞利用成功率； 第四章 XBOW平台LFI漏洞检测实战案例 客户案例：XBOW应用安全平台（AI驱动自主渗透测试平台）漏洞检测 目标环境：XBOW首页（http://10.2.35.0:31002/index.php ），服务器信息：Apache/2.4.54 (Debian)、PHP/7.4.33（材料：“aa643ae7-8fd6-4cfb-8e46-1a85c5baf535: XBOW首页 页面显示服务器信息: 漏洞发现：通过页面探索发现24个新页面，检测到本地文件包含（LFI）漏洞（材料：“发现漏洞 在页面XBOW首页 发现1个漏洞 本地文件包含”）。 file=xbow-flag.txt，成功读取flag文件（材料：“成功利用的载荷: -xbow-flag.txt成功读取到flag文件内容”）；进一步利用Apache HTTP Server 2.4.50
24810编辑于 2026-04-06多智能体协同自主进化渗透测试系统：提升漏洞挖掘效率与自优化能力
量化验证系统效能与业务价值 基于XBOW Validation Benchmarks数据集（来源：文中“XBOW Validation Benchmarks 数据集分析”）的实践显示： 数据集规模： 含104个环境（简单45、中等51、困难8），覆盖注入型、访问控制漏洞（XSS 23例、默认密码18例、越权15例占比最高），较少涉及密码学错误、SSRF（来源：“XBOW Benchmarks 包含 开源贡献：修复上游XBOW Benchmark遗留问题，开发与比赛平台API兼容的本地API，实现零成本演练（来源：“修复了上游官方XBOW Benchmark仓库中的多个遗留问题(开源)”“开发了与主办方比赛平台 ”“开源地址：https://github.com/Neuro-Sploit/xbow-validation-benchmarks”）。 （数据来源：XBOW Validation Benchmarks数据集、NeuroSploit战队实践报告、腾讯云黑富松智能渗透挑战赛公开资料）
23620编辑于 2026-04-06多智能体协同渗透测试系统将漏洞挖掘成功率提升至58.2%
开发基于XBOW Benchmark的全自动评估系统 团队开源了自动化AI智能体评估系统，该系统具备多维度评估能力： 漏洞利用成功率：精准测量攻击有效性 全链路攻击耗时：量化响应效率 Token消耗分析 项目修复了上游官方XBOW Benchmark仓库的多个遗留问题，并开发了与比赛平台API完全兼容的本地接口。 腾讯云平台支撑智能攻防技术突破 腾讯云黑盲松竞赛平台提供： XBOW Benchmark数据集：104个漏洞环境，覆盖简单(45)、中等(51)、困难(8)三种难度 漏洞类型分布：XSS(23)、默认密码 (18)、越权漏洞(15)占比最高 实时数据支持：为队伍提供比赛数据分析与统计平台 团队基于腾讯云平台开发的开源项目已修正评估基准，建立了多维度、可扩展的自动化评估框架，为渗透测试智能化提供了完整解决方案 数据来源：NeuroSploit战队开源项目（GitHub）、XBOW Validation Benchmarks统计平台、腾讯云黑盲松智能渗透挑战赛官方数据
26520编辑于 2026-04-04场景感知AI渗透方案将漏洞误报率降低90%，实现业务逻辑深度检测
其中LFI漏洞检测成功率达100%，通过路径遍历成功读取系统文件（包括xbow-flag.txt等目标文件）。整体漏洞检出效率较传统工具提升3倍，误报率从60%降至低于6%。 XBOW平台验证实际攻防效果 在XBOW应用安全平台测试中，系统通过业务场景分析发现关键漏洞链：文件上传→LFI→SSTI的串联利用路径。 采用分布式Agent架构（最高管理520个并发节点），支持多平台统一调度，天然具备后渗透框架特性。关键技术获得S&P等国际顶级会议认可，并在2025年国家护网行动中得到实战验证（攻击队主力成员采用）。 数据来源：腾讯云黑盲松渗透挑战赛实测数据（2025）、XBOW平台测试报告、国家护网行动实战记录 胡宇睿（西安交通大学网络空间安全学院博士生）主导开发，研究领域涵盖开源漏洞治理、AI赋能安全及高级威胁狩猎
21910编辑于 2026-04-04- 来自专栏AI机器学习与深度学习算法
机器学习入门 8-10 L1,L2和弹性网络
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍L1,L2正则项，引入Lp范数新概念，提出L0正则项。为了利用L1,L2正则项各自优点，提出了弹性网。实际进行模型正则化时，优先使用岭回归，如果特征数量非常多，选择弹性网。
1.9K30发布于 2020-02-17 - 来自专栏不二小段
来学学大模型最新「合金特工」骚操作，能力比肩多智能体，AI 黑客成功率飙升
让我们一起学习一下 XBOW 的骚操作。 缘起：AI 自主黑客的困境 要理解「模型合金」的精妙之处，首先要了解它诞生的背景。 XBOW 主营业务的是自主渗透测试。 XBOW 的 AI 负责人 Albert Ziegler 指出，这类任务的特殊之处在于，它不是一个「稳步前进」就能解决的问题。 为了评估和迭代他们的 Agent，XBOW 建立了一套 CTF 风格的基准测试集。 对于 XBOW 这种需要快速迭代、不断试错的搜索任务来说，效率太低。 2. vs. XBOW 认为，用这些额外的成本，他们宁愿多启动几个独立的 Agent 去碰运气。 3. vs.
10210编辑于 2026-04-09 AI驱动安全自动化：双Agent协作架构在智能渗透挑战赛中的实践与效能
工具描述占用大量token限制LLM选择空间（MCP陷阱）；二是单个LLM易陷入思维死循环，长对话引发幻觉风险，导致格式错误、工具误用；三是上下文过长（如分析competition_rules.pdf、XBOW 数据来源：TCH腾讯云黑客松Tencent Cloud Hackathon智能渗透挑战赛规则文档、XBOW Benchmark数据。 数据来源：云鼎实验室《AI驱动安全未来与XBOW共赴智能攻防之巅》项目文档。 实践验证：获TCH腾讯云黑客松Tencent Cloud Hackathon智能渗透挑战赛认可，云鼎实验室“AI驱动安全未来与XBOW共赴智能攻防之巅”项目成为人机协作安全自动化标杆。
26720编辑于 2026-04-05场景感知驱动的下一代黑盒渗透Agent实战解析
驱动自动化漏洞利用的核心评估指标与并发效能 为验证渗透Agent在真实业务场景中的实战适应性，方案引入了XBOW（104题）与AutoPenBench（33题）两大专有基准，采用里程碑式评分来评估自动化完成度 项目依托腾讯云安全、云鼎实验室、腾讯安全众测及XBOW联合举办的“腾讯云黑客松-智能渗透挑战赛”平台进行了深度验证。
36110编辑于 2026-04-04- 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题8-10 输出学生成绩
习题8-10 输出学生成绩 本题要求编写程序，根据输入学生的成绩，统计并输出学生的平均成绩、最高成绩和最低成绩。建议使用动态内存分配来实现。
1.7K30发布于 2020-09-15 基于状态感知与因果推理的自主渗透测试智能体业务实践概要
众测平台实效印证： 团队所致力的自动化渗透路径对齐了国际领先水平（如XBOW登顶美国排行榜），并在腾讯安全众测平台排行榜等实战环境中展现出“化点为链，以智代工”的实际业务价值，证明了该架构在发掘深层次逻辑漏洞上的可行性 依托腾讯云黑客松挑战赛实现“AI+安全”技术迭代 本技术方案作为 腾讯云黑客松 智能渗透挑战赛（与XBOW共赴智能攻防之巅） 的产出成果，充分展现了基于腾讯云生态与底层算力支持下的技术确定性。
17010编辑于 2026-04-05- 来自专栏C++
fmtlog：轻量级高性能C++日志库指南
✨核心特性⚡极低延迟：延迟仅8-10纳秒，性能优异轻量级：代码体积小，资源占用少header-only设计：无需编译和链接，集成简单日志回调：支持自定义日志回调函数频率限制：支持日志频率限制，避免日志泛滥简单易用 ：API设计简洁，学习曲线平缓跨平台：支持多种操作系统和编译环境格式化支持：支持类似printf的格式化语法⚖️优缺点分析✅优点⚡极低延迟：8-10纳秒的延迟，性能优异轻量级：代码体积小，资源占用少集成简单 ：header-only设计，只需包含头文件日志回调：支持自定义日志回调函数频率限制：支持日志频率限制简单易用：API设计简洁，易于学习和使用跨平台：支持多种操作系统和编译环境❌缺点功能相对较少：相比功能丰富的日志库 ：需要在多种平台上运行的项目需要回调：需要自定义日志处理逻辑的场景️安装与配置集成到项目由于fmtlog是header-only设计，只需将头文件添加到项目中即可：展开代码语言：BashAI代码解释#克隆仓库 （Windows支持较弱）是是适用场景性能要求高的项目嵌入式/高性能企业级项目高度定制化项目C语言项目、嵌入式总结与推荐fmtlog是一个轻量级、高性能的C++日志库，以其极低的延迟（8-10纳秒）和简单的集成方式著称
19710编辑于 2026-03-12 腾讯云Human-AI Teaming双Agent架构在智能渗透挑战赛中的CTF自动化实践
量化验证CTF解题效率提升 应用效果以解题数、系统复杂度、开发效率为核心指标（数据来源：腾讯云安全云鼎实验室“AI驱动安全未来与XBOW共赴智能攻防之巅”实践分享，演讲人yhy复盘）： 解题效率提升 实践验证充分：经腾讯云黑宫松Hackathon严苛场景验证，ChYing Agent实现20+核心模块单人开发、解题效率显著提升，获云鼎实验室“AI驱动安全未来”项目认可（据“AI驱动安全未来与XBOW
31910编辑于 2026-04-06- 来自专栏图形学与OpenGL
实验3 地理空间数据可视化
将上一步所得的PDF文件，导入Illustrator，以教材图8-10为模板，并在图中增加中国的数据，完成图8-10，并添上自己的署名，最终成图请以中文版为参考。图8-10英文版如下图所示： ? 再次提醒：最终成图是在参考图8-10的基础上，增加中国的数据。 三. 实验报告 实验报告中的实验过程请根据实验内容结合自己的具体实验过程填写； 实验结果：（1）自己家乡及其位置信息；（2）图8-10，可以手绘，可以文字描述，也可以将图缩小打印贴上； 实验分析部分可以对整个实验过程进行回顾与总结
1.4K20发布于 2018-10-09 多智能体协同驱动的自主进化渗透测试系统效能解析
实现零成本无限制演练： 开发了与比赛平台完全兼容的本地 API，实现了零成本、无限次的本地离线全自动模拟演练（涵盖环境部署、攻击检测到 Flag 验证全链路），极大降低了 Token 消耗与经济成本。 团队成员包括： 王一航（清华大学博士生） 王楚涵（东南大学副研究员、清华大学博士） 王恩泽（博士） 汪琦（清华大学博士生） 夏天（博士生） 杨晶城（清华大学博士生） 在实际应用中，团队针对 XBOW Validation 此外，团队将多智能体协同系统、修正后的评估基准、自动化评估框架以及数据分析平台进行了全面开源，为社区贡献了标准的反馈闭环体系。 依托腾讯云顶级安全竞赛平台验证前沿攻防能力 NeuroSploit 战队的多智能体系统在“腾讯云黑客松·智能渗透挑战赛”中得到了深度验证与实战应用。 SRC（安全应急响应中心）平台并在高危操作中引入人类确认机制，最终推动 CTF 比赛平台开放 API 与 MCP 接口以全面支持大模型参赛。
24320编辑于 2026-04-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号