SDC2026议题回顾 | 物理世界的自动化攻防:Agent 小队无人值守 IoT 漏洞挖掘实践

作者:看雪学苑 发布:2026-11-16 18:00 收录:2026-11-17 18:49 1 次阅读 约 8475 字
摘要:AI Agent 小队联动硬件,实现 IoT 漏洞无人值守自动化挖掘。
推荐理由:本文涵盖「SDC2026」、「Agent」、「漏洞」等多个主题,重点关注 SDC2026。

SDC2026

议题回顾

随着 AI 硬件、智能汽车、具身机器人等新型终端不断出现,IoT 设备的安全边界正在发生变化。设备不再只是一个独立的硬件,还涉及芯片、固件、无线通信、移动应用、云端服务和账号体系。与此同时,安全问题也不再局限于网络空间:设备被越权控制、远程操纵或执行异常动作,都可能进一步影响真实物理世界。


在第十届安全开发者峰会(SDC2026)现场,尘兴灿&付鹏飞结合支付宝 IoT 安全团队的实践,介绍如何通过 Agent 小队、Harness 和自研物理协议执行硬件,将固件分析、漏洞假设、真机验证、设备恢复与证据确认串联起来,探索 IoT 漏洞挖掘的无人值守自动化流程。

尘兴灿

付鹏飞


*以下为整理后的速记


SDC2026



一、背景与现状:IoT 安全正在发生什么变化

传统 IoT 设备的安全风险覆盖多个层面。设备本身可能存在调试接口暴露、故障注入、固件读取等硬件层风险;在蓝牙、Wi-Fi、USB、RF 等通信环节,可能出现重放、中继、鉴权绕过和中间人攻击;在远程服务侧,还可能涉及云端消息通道、账号与 API 鉴权等问题。IoT 设备通常由硬件、App 和云端服务共同组成,安全测试需要从端到云进行整体考察。


图 1|IoT 设备安全风险与演进趋势


AI 时代到来后,IoT 安全风险的变化主要体现在四个方面。第一,新型终端持续普及,AI 录音设备、AI 玩具、陪伴类设备、具身机器人以及智能网联汽车等,都进入了更广泛的 IoT 安全视野。第二,攻击面从单一设备扩展到系统,风险不再只存在于路由器、摄像头等设备及其 App,还会延伸至云端服务和远程控制链路。第三,软件风险正在物理化,智能汽车或机器人一旦遭到越权控制,软件层面的安全问题就可能影响设备动作,甚至带来人身安全风险。第四,无线与协议边界持续增加,除蓝牙和 Wi-Fi 外,还涉及 NFC、UWB、V2X 以及各类自定义协议。


AI 加速了新型 IoT 设备的涌现,风险也从网络安全逐步覆盖到人身安全。面对产品快速迭代,传统依赖人工逐项操作的测试方式,越来越难以跟上设备和系统的变化。



1

传统 IoT 漏洞挖掘流程

传统 IoT 漏洞挖掘通常从目标与情报收集开始,先了解设备型号、功能和运行环境;随后拆机识别接口、主控和芯片,再获取固件。设备对研究人员来说往往是一个黑盒,固件是了解设备内部实现的重要入口。拿到固件后,需要进行静态分析、逆向分析和动态调试,在分析过程中形成漏洞假设,再通过真实设备复现和验证,最后整理证据并输出测试报告。


图 2|传统 IoT 设备漏洞挖掘流程及工具


这一流程会使用焊接返修、串口通信、固件读写、逻辑分析、信号观测、无线抓包和射频分析等工具。尤其在车联网等场景中,目标设备和测试工具的成本都可能很高,整个测试过程也需要研究人员持续参与。



2

AI 已经能够承担的工作与自动化缺口

AI 已经可以辅助固件与代码理解、协议和运行信息分析、脚本与 PoC 生成,也能够结合知识辅助调查和报告整理。例如,研究人员可以将固件交给 AI,辅助分析代码;也可以对蓝牙、Wi-Fi 等协议传输的数据进行分析。


图 3|AI 自动化挖掘 IoT 漏洞的能力边界


但如果目标是实现 IoT 漏洞挖掘的全流程自动化,仍然存在明显缺口。首先是对真实设备状态的感知:设备当前是在正常运行、死机,还是停留在某个异常界面,AI 未必能够直接获知。其次是外设和仪器控制,AI 需要能够操作串口、示波器、可编程电源、无线分析工具等设备。第三是故障恢复与续跑,例如 PoC 或测试脚本导致设备崩溃后,需要断电重启,并从未完成的任务节点继续执行。最后是证据化结论,测试是否成功、设备出现了什么现象,都需要有真实观测和可复核证据支撑。


因此,当前自动化缺口主要集中在 AI 与物理世界的交互:设备状态感知、外设控制、故障恢复和证据确认仍然依赖研究员,是全流程自动化的主要瓶颈。




SDC2026



二、我们是怎么做的:让 AI 自己挖掘 IoT 漏洞


1

AI Agent 小队工作台

团队搭建了 IoTHunter 工作台,用于承载任务、策略和日志,并将目标设备、外设以及分析结果连接起来。工作台可以接入 ProtoScope、OSR Smart Hub,以及程控电源、网络、USB、Wi-Fi 插座等设备。目标设备需要登记固件版本和初始状态,执行过程中产生的原始日志与 Evidence 会回到工作台,供 Agent 分析和后续操作。


图 4|IoT 设备 AI 自动化挖掘技术架构


在演示流程中,研究人员先创建目标设备,例如摄像头,再补充设备信息、固件和相关能力。Agent 根据当前掌握的信息开展侦察和分析;如果发现信息不完整,就继续发起新的侦察任务。设备侧的控制既包括通过 ADB 操作手机、查看 App 信息,也包括调用外设完成供电、协议交互和数据采集。所有日志都会回到工作台,形成任务执行与分析之间的循环。


在工作台中,目标设备、外设和分析结果并不是彼此独立的。研究人员需要把目标设备的基本信息、连接关系、固件和背景知识提供给 Agent,同时将可用的外设能力注册给 Agent。任务启动后,Agent 根据已知信息先形成规划,再逐步开展枚举、部件分析和风险验证。如果发现信息不足,就返回侦察阶段补充信息。


演示中,Agent 通过 ADB 控制手机,查看 App 中的信息,并结合设备侧能力继续分析;随后调用 ProtoScope 初始化串口,尝试读取设备日志。设备重启后,串口日志被读取并返回工作台,Agent 再根据日志继续分析。演示展示了从目标创建、信息录入、固件上传、能力接入,到自动规划、设备操作、日志读取和漏洞列表生成的完整过程。分享者强调,在这一过程中,设备能够自主重启,日志能够自动读取,漏洞挖掘流程由 AI 驱动完成,中间不需要研究人员持续参与。


工作台的设计目标,是为 IoT Agent 构建一个测试脚手架:目标设备、协议适配器、供电控制器以及其他外设共同接入,所有日志回到工作台,再由 Agent 分析并决定下一步操作。



2

IoT 设备 AI 自动化挖掘技术架构

从整体架构看,最上层是交互与接口,主要面向研究人员,提供研究工作台以及 API、事件接口。控制层负责研究控制、规划、调度、任务执行、事件流转和恢复管理。再往下是智能体与模型层,分享中将 Agent 分为侦察、分析和验证等角色,并通过模型路由、上下文管理等机制协调任务。


能力层将固件分析、协议分析、逆向分析等能力统一注册,并通过能力解析器、能力契约以及技能和策略目录提供给 Agent。执行层负责运行时管理、工具网关、分析工作器、外设管理、会话与租约管理,以及安全护栏。外设层通过驱动适配器连接目标 IoT 设备、调试与控制设备、测量设备和多协议接口。数据与知识层则统一保存分析产物、证据、发现项、事件与遥测、状态以及可复用知识。


分享者特别提到,随着接触的设备越来越多,设备分析经验和历史发现项可以沉淀为知识,后续遇到相似设备或问题时,Agent 可以复用已有经验,而不是每次都从头开始。


SDC2026



三、实践经验:挖得全、判得准、跑得久、能落地

在实践中,团队将 AI 自动化挖掘 IoT 漏洞的要求归纳为四个方面:挖得全、判得准、跑得久、能落地。挖得全不仅要能够发现历史已知漏洞,也要能够发现未知漏洞;判得准要求模型给出的漏洞结论经得起验证,不能把模型幻觉当成真实漏洞;跑得久要求设备发生崩溃或异常后,任务仍然能够恢复并继续;能落地则要求整套流程真正能够在 IoT 设备上执行,而不是停留在固件分析和理论设计层面。


图 5|AI 自动化挖掘 IoT 漏洞的实践指标


对应的衡量指标包括:已知漏洞检出率、同源变体命中数、未知漏洞有效发现数、攻击面覆盖率;准确率、召回率、PoC/真机复现率、无证据结论率;连续运行时间、自动恢复率、平均恢复耗时、人工干预次数;以及执行成功率、设备状态覆盖、工具与设备可用性、动作重放率。



1

挖得全:未知漏洞挖掘与已知漏洞同源扩展

未知漏洞挖掘的基本思路,与 IoT 安全工程师人工挖掘漏洞的过程类似:先收集信息,再识别接口,开展固件逆向和协议分析,形成漏洞假设,随后进行验证和影响确认,最后形成证据。如果验证不通过,就根据新发现回到前面的分析节点,重新调整假设或补充信息。


因此,未知漏洞不是凭空猜测,而是让假设随着新证据不断收敛,最终通过真机验证形成闭环。团队将这一过程内化到工具中,使 Agent 能够在信息收集、接口识别、固件与协议逆向、假设生成、PoC 验证和影响确认之间循环推进。


图 6|未知漏洞挖掘:假设随证据不断收敛


分享中介绍了一个 AI 硬件未授权获取核心文件的案例。团队将手机连接到测试环境,提供设备固件,并接入蓝牙抓包工具,再让 AI 按照既定流程开展信息收集和分析。AI 在分析过程中发现,App 中存在一个用于拉取文件清单的指令,进一步检查代码后发现,该指令只校验了指令是否合法,没有进行鉴权校验。


随后,团队通过读取文件清单并拉取文件进行验证。文件拉取完成后,对文件声明头、累计大小和实际落盘大小进行核对,三者一致,说明获取到的文件是完整的。由于公开文件本身可能暴露设备身份,分享中没有展示文件内容。


图 7|已知漏洞驱动的同源问题扩展


对于已知漏洞,团队采用从已知问题向同源接口扩展的方式。首先收集目标设备及其相关组件的 CVE、PoC 和厂商公告,将其整理为已知漏洞知识;再从中提炼可复用的漏洞模式,并与待测设备的接口特征进行匹配。匹配维度包括接口相似性、关键参数名称和格式、UI 路径与触发动作、厂商与产品谱系,以及漏洞类型和触发条件。


通过这些特征筛选出同源问题候选后,再开展少量定向测试和运行时确认,最终形成原始证据与发现项,并将验证结果回写为漏洞模式,供下一轮任务复用。其核心思路是:从一个已知漏洞出发,定位同源接口,用少量测试完成确认。



路由器速度测试命令注入案例

团队以路由器速度测试功能中的命令注入问题为例,介绍了同源扩展的具体过程。首先,研究人员从公开信息中找到同厂商相关组件的已知 CVE,随后提取存在漏洞的 Lua 文件特征,并与目标设备中的 Lua 文件进行比对。


比对过程中,团队关注文件和代码特征,例如相关字节码、函数结构等信息。当目标文件与已知漏洞文件表现出较高相似性时,就将其作为同源问题候选。随后进一步定位命令函数,并在目标设备上开展定向验证。最终,通过在速度测试相关命令链路中传入无害命令并观察执行结果,确认该功能存在命令注入问题。


2

判得准:解决模型能力不足与结论幻觉

团队将模型在漏洞挖掘中遇到的问题分为两类。第一类是能力不足,例如工具使用不稳定、长上下文中容易丢失任务路径,以及跨文件、跨协议分析和解释困难。对此,可以通过任务拆分、Harness、知识补充和工具补齐等方式改善。


第二类是结论幻觉,即模型可能把可疑代码直接写成已确认漏洞,忽略认证要求、输入流和运行时条件。对此,团队采用独立质疑、反证、证据门槛和重放验证等方式,要求结论必须有证据支撑。前者解决的是模型能不能完成任务,后者解决的是模型能不能正确下结论。


图 8|Harness:把模型意图变成可控执行


Harness 的作用,是把模型意图转换为可控执行。模型只负责提出假设和选择下一步,Harness 则作为模型与环境之间的强制执行边界,负责校验目标、能力、输入、权限、资源租约和审批要求,再将请求交给受控执行环境。执行完成后,证据、分析产物和 Finding 状态会被写回。


在固件离线分析场景中,输入只能来自工作区的分析产物,解包结果写入指定目录,并生成 SHA-256 等信息,便于后续追踪和查验。在主机工具调用场景中,只允许执行已经注册的二进制文件,参数通过 argv 传递,不经 shell,同时限制执行超时和输出大小。这样可以避免模型臆造不存在的工具或执行不受控命令。


在真机操作场景中,会话必须持有资源租约,电源电压不能超过预先配置的上限,涉及写操作时还需要人工审批。因为 IoT 测试可能连接程控电源等设备,如果模型错误设置电压,可能损坏目标设备。提示词也需要明确约束,例如结论必须引用 evidence_id,区分实测与推断;证据不足时应返回 Insufficient,而不是直接给出已确认结论。


Agent 小队:不是多模型投票

团队采用 Agent 小队的方式,将计划、分析和验证拆分给不同角色,而不是简单地让多个模型投票。Commander 负责接收动态任务,并根据能力类型拆分任务节点;Recon 负责采集目标画像;Analysis 负责审核固件、协议和代码,输出输入来源、危险调用链和前置条件;Validation 则从质疑者的角度执行受控的网络或真机验证。


图 9|Agent 小队的角色分工与 Finding 状态机


例如,前面的 Agent 提出一个候选漏洞后,Validation 不会直接接受结论,而是进一步检查漏洞是否真实存在、触发条件是否成立,以及能否通过实际操作复现。验证结果进入状态机,不能仅凭模型自己的描述就标记为通过。


Finding 的状态包括 Candidate、Under Review、Validated、Rejected 和 Insufficient。候选问题首先进入 Candidate,再进入 Under Review;如果经过可重放验证,则进入 Validated;如果反证成立,则进入 Rejected;如果现有信息不足以判断真假,则进入 Insufficient,并可以补充信息后再次验证。每个任务节点还会记录执行 Agent、Capability、验证方式、证据数量和分析产物 ID,失败节点也会成为下一轮调度的观察依据。


Agent 小队 CyberGym 测评对照

团队还进行了一组小规模对照测评,使用 CyberGym ARVO 6 和 OSS-Fuzz 4,共 10 个固定任务。实验比较四种配置:B0 为纯单模型、没有 Harness;B1 为单模型加 Harness;B2 为同模型小队加 Harness;B3 为 Mixed 多模型小队加 Harness。B0、B1、B2 使用 DeepSeek-V4-Pro,Mixed 小队使用 GLM-5.3、DeepSeek-V4-Pro 和 Kimi-K3。


图 10|Agent 小队 CyberGym 测评对照


官方 Pass 结果分别为:B0 通过 3/10,比例为 30%;B1 通过 4/10,比例为 40%;B2 通过 6/10,比例为 60%;B3 通过 8/10,比例为 80%。与 B0 相比,B3 多通过 5 个任务,提升 50 个百分点;与 B1 相比,B3 多通过 4 个任务,提升 40 个百分点。


四组任务覆盖均为 10/10,工具调用次数分别为 0、92、105 和 89 次;运行时长分别为 4.77 小时、7.00 小时、9.02 小时和 6.19 小时。分享者说明,实验任务数量较少,各组实际运行预算和时长并不完全相等,因此这组结果主要用于对照不同配置下的任务通过情况。


从这组测评看,在该实验范围内,Harness 和 Agent 小队编排都带来了提升;Mixed 小队官方 Pass 为 8/10。分享者也提到,如果没有特别强的模型,可以通过 Harness 和 Agent 编排提升整体任务执行能力;如果由更强的模型承担部分指挥和验证角色,也可能进一步改善任务表现。



3

跑得久:设备崩溃后的自动恢复

IoT 漏洞挖掘过程中,设备可能因为 PoC、测试脚本或其他操作而崩溃、死机。如果设备一旦崩溃,任务就停止,那么自动化流程仍然离不开人工。因此,要让任务跑得久,就需要具备设备异常识别、断电重启、恢复验证和任务续跑能力。


图 11|设备崩溃后的恢复与任务续跑路径


团队会将串口没有回显、网络探活失败,以及供电电压、电流读数异常等情况作为现场观测信号,用于判断设备是否异常。确认设备异常后,可以通过可编程电源或供电控制器执行断电重启,例如关闭对应通道、等待一段时间,再恢复供电。


断电重启和电压、电流设置都需要受到严格限制。设备权限、破坏性操作权限以及人工审批需要明确配置,电压和电流不能超过预设上限,否则可能损坏设备。设备恢复供电后,还要重新读取供电、串口或网络状态,判断设备是否真正恢复。只有恢复验证通过,Agent 才从未完成的任务节点继续执行,避免重复执行已经完成的步骤。


通过这些机制,AI 可以承担设备异常后的部分恢复、重启和续跑操作,从而减少研究人员的人工介入。



4

能落地:从固件风险到物理影响的验证

AI 可以通过固件分析定位危险接口和触发条件,也可以生成候选漏洞和后续测试请求。但固件分析本身并不能证明设备在真实环境中的物理影响。要确认漏洞是否真正成立,还需要让目标设备进入所需状态,并获得 UART、JTAG、无线接口等反馈。


如果 AI 无法连接和控制这些驱动设备,就很难在真机上取证;如果设备异常后无法复位和续跑,也无法完成整个验证闭环。因此,要让漏洞从 Candidate 进入 Validated,需要提供一个可授权、可观测、可恢复的物理执行入口。


图 12|现成串口、JTAG 和智能电源之外,平台需要补齐的能力


现成的串口、JTAG、智能电源和 USB Hub 等工具各自可以完成单点动作,但它们不能自动解决 Agent 在真机上持续运行所需的统一授权、资源租约、状态回传、动作后校验和证据记录问题。平台需要明确谁可以操作哪台设备、允许调用哪些能力;需要避免多个任务并发访问造成设备被抢占或写操作冲突;需要在动作执行后检查设备是否真正进入目标状态;还需要记录参数、原始字节、时间和结果,以便独立复核。


因此,缺少的不是更多工具,而是将动作、状态和证据纳入同一条受控链路。



SDC2026



四、自研硬件:给 Agent 一个统一的物理执行入口


1

为 AI 建立物理世界脚手架

前面介绍的是 AI Agent 小队的大脑设计,接下来由付鹏飞介绍如何为这个大脑装上手脚,也就是物理执行侧的设计。无论是甲方还是乙方,在 IoT 测试中都会遇到一个问题:固件扫描可能发现一批漏洞,也可以编写 PoC,但这些漏洞在真实硬件设备上会造成什么影响,需要通过实际设备操作给出答案。


图 13|AI Agent、Harness、ProtoScope、真实设备与 Evidence 的协作关系


团队因此为 AI 构建了一套物理世界脚手架,将硬件协议和无线协议相关能力集成到一个硬件设备中,并通过固件暴露 API 接口。AI 只需要通过受控的调用入口,就可以使用相应硬件能力,完成测试和漏洞验证。


在整体测试过程中,这套硬件安全测试工具用于观察 PoC 的执行状态和返回结果,帮助完成 IoT 渗透测试的自动化验证。其目标不是让模型直接操作硬件引脚,而是让模型发出意图,再由 Harness 和硬件执行节点按照约束完成具体操作。



2

AI 与真实设备的连接方式

在连接方式上,Agent 负责发出意图,Harness 对硬件接口进行编排和约束,ProtoScope 将调用落实到设备侧。控制入口包括 USB、Wi-Fi,以及供 AI 调用的 skills 等方式。由于通过协议控制硬件可能产生不可预知的影响,例如在局域网环境中从一台设备操作到另一台设备,影响其他设备运行,因此调用过程中需要设置权限和边界。


ProtoScope 将多种物理接口和无线接口集成到统一设备中。对于串口、I²C 等协议接口,可以直接读取通信字节和协议数据进行分析;对于外部指令类接口,可以采用命令行方式进行测试;对于无线电类模块,则通过相应模块接入目标环境开展测试。


在架构上,模型层只负责假设和计划,不持有硬件控制权;Harness 负责确定性编排、参数校验、超时控制、审计和检查点;ProtoScope 负责设备侧执行,通过 JSON RPC、授权和单会话租约管理协议调用;物理目标侧连接协议总线、BLE 或外接模块。设备响应、错误码、运行状态和原始字节返回 Harness 后,再交由独立 Agent 复核。


整个连接过程还设置了控制边界、故障边界和证据边界:本机授权、输出开关和单会话租约用于控制访问;遇到 BUSY、CONFLICT 等情况时,将错误返回 Harness;原始观测数据则交由独立环节复核。


2

ProtoScope:物理协议执行节点

ProtoScope 是团队自研的物理协议执行节点。它的控制入口包括 USB CDC、Wi-Fi AP、JSON RPC 和 AI skills;AI 调用前需要经过能力发现、测试授权和约束;协议执行侧覆盖 UART、I²C、SPI、DIO、JTAG-SWD、BLE 等;物理出口则通过排针、板载无线和目标设备完成连接。


硬件采用 ESP32-S3,配备 3.5 英寸触摸屏、USB-C 管理口、32 针协议接口,以及板载 Wi-Fi / BLE。其设计目标是将不同协议能力集成到一个设备中,减少测试过程中频繁更换适配器和工具的操作。


图 14|ProtoScope:物理协议执行节点及硬件接口


3

25 个原协议模式

分享中介绍,ProtoScope 支持 25 个原协议模式,并提供 API 调用、命令行调用和模块调用等方式。直连或管理 API 入口包括 UART、I²C、SPI、DIO、JTAG、Wi-Fi 和 Bluetooth 等;模块入口包括 CAN、Ethernet、Sub-GHz、RFID、RF24、FM、蜂窝模块、LoRa 和扩展器等。


此外,还包括高阻模式、1-Wire、半双工串口、两线协议、三线协议、LED、红外和 I²S 等模式。不同模式的调用方式有所区别:部分通过 JSON RPC 管理,部分保留原命令入口;模块类接口则需要结合相应模块和目标设备接线使用。


4

一次 UART 观察如何形成可复核证据

演讲者以一次只读 UART 采样为例,说明如何将一次设备观察形成可复核证据。首先调用 system.hello 确认设备身份,再通过 status / capabilities 检查设备能力;随后确认接线和授权条件,例如 3.3V 与 RX,申请 session.start(uart) 会话租约;之后调用 uart.read 或 stream 进行只读采样;完成后调用 session.stop 释放会话。


图 15|一次 UART 观察从身份确认、只读采样到 Evidence 独立复核


在这个过程中,Host / Harness 保存目标身份、参数和请求 ID,并根据错误码选择重试、清理或停止;ProtoScope 校验会话与租约,通过 RX 获取数据并回传原始字节和状态;Evidence 保存原始字节、时间、设备条件和目标侧响应,再交由另一 Agent 进行质疑和重放。


如果执行过程中出现 BUSY、CONFLICT 或 OUTPUT_CONFIRM_REQUIRED 等情况,系统会记录错误与设备状态,由 Harness 清理或重建会话,并回到相应检查点。这样,设备操作不仅有执行结果,也保留了后续可以独立复核的过程信息。



5

真实设备测试案例

分享最后介绍了三类真实 AI 设备测试案例。第一类是 AI 主机类设备,包括 AI 笔记本等设备。测试中发现,设备存在通过低权限调用高权限系统包安装能力的问题,可以借此获得 root 权限。发现问题后,团队进一步通过脚手架连接设备,利用无线局域网完成远程 root 提权,并验证了后续持久化控制能力。


第二类是 AI 小挂件类设备。这类设备通常只提供 USB 和蓝牙两种连接方式。团队通过固件分析发现,设备 UID 侧存在可以进入调试模式的路径。随后借助脚手架连接设备,由设备侧发起相应协议操作,开启调试模式,并从 UID 侧获取设备文件。


第三类是 AI 玩具。该设备对外量产功能只开放 USB,但团队在固件中发现了串口相关功能。通过分析并调用相应能力,打开设备的 USB 功能后,发现设备存在密钥泄露问题。该密钥可能使其他参与方加入设备对话,从而使 AI 玩具存在被用于远程窃听的风险。


SDC2026



五、总结与展望


1

从一次真机运行回到系统设计

结合前面介绍的 Agent 小队和物理执行脚手架,团队将 IoT 自动化漏洞挖掘的完整工作流串联起来。首先输入目标设备,并结合威胁建模和固件分析形成初步信息;随后由 Agent 提出攻击假设,进行攻击准备和固件分析测试;接着连接物理执行脚手架开展 PoC 验证。验证过程中,多 Agent 会对漏洞是否符合预期进行独立判断;如果证据不足或验证不通过,就返回前面的环节进一步分析。


图 16|IoT Agent 自动化漏洞挖掘的完整架构及执行工作流


在任务执行过程中,系统还会记录设备动作、状态变化和证据,并通过 Finding 状态机形成最终裁决。设备或工具出现异常时,则进入健康观测、分级恢复、状态校验和检查点续跑流程。整个链路可以概括为:任务推进、真机执行、状态观测、故障恢复、独立验证、Evidence 和 Finding。



2

阶段性成果与后续工作

分享者介绍,团队已经测试了 50 多款设备,发现 100 多个漏洞。其中一部分漏洞经过筛选后对外与厂商确认,待确认或待发布的 CVE 大约有 10 个。团队持续将 AI 用于新型硬件和 IoT 设备测试,通过反复接入设备、运行任务和分析结果,积累设备侧的漏洞挖掘经验。


无人值守是本次议题的核心主题。通过 Agent 小队、Harness 和物理执行入口,可以让 AI 在 IoT 领域持续运行,减少人工反复介入。与 Web、二进制和移动端测试相比,IoT 测试需要硬件参与,如何让硬件安全、稳定地参与自动化流程,是这套方案重点解决的问题。


目前已经验证的范围包括:

  • 在指定设备和任务内连续运行;

  • 设备或工具故障后的自动恢复;

  • 漏洞提出、质疑和证据确认;

  • 以及自研硬件的统一调度和受控动作。


后续工作包括:

  • 更多设备族和协议的泛化验证

  • 未见设备上的知识复用评估

  • 无线与 SDR、车载和工控接口

  • 构建可复现的 IoT Agent 评测集。


分享者也提到,当前实践主要集中在 AI 设备和常规 IoT 设备,工业领域设备还需要进一步探索。




往期议题回顾

SDC2026议题回顾 | 从 LLM 到 Agent:AI 安全攻击面的过去、现在与未来

SDC2026议题回顾 | 一次渗透 Agent 的架构减法实践:大模型、工具和Harness谁更重要?

SDC2026议题回顾 | Storm: AI审计时代下,Fuzzing还有用吗?

SDC2026议题回顾 | 从漏洞检测到利用:知识驱动的 RISC-V 硬件安全分析技术

SDC2026议题回顾 | 大语言模型驱动的移动软件安全分析实践

SDC2026议题回顾 | 从字节到神经元——一名二进制安全研究员的 AI 安全研究

SDC2026议题回顾 | ZeroMDASH:领域自适应的Agent-Native 通用漏洞挖掘工程

SDC2026议题回顾 | AI Agent 攻防下的代码保护之道


PPT下载及视频回放

峰会议题PPT及回放视频已上传至看雪课程-【看雪2026 SDC】:

https://www.kanxue.com/book-section_list-107.htm


【已购票的参会人员可免费获取】:我方已通过手机短信发送“兑换码”


免费获取方式:

1. 登录看雪账号,进入上述课程页面。

2. 点击“立即购买”

3. 输入大会于 2026年10月27日 通过手机短信发送的兑换码。

4. 提交订单后,即可免费开通课程查看权限,获取大会演讲PPT及视频。


*温馨提示:使用兑换码无需支付任何费用。


球分享

球点赞

球在看


点击阅读原文查看更多

转载声明:本文转载自原发布平台 (作者:看雪学苑), 原文标题《SDC2026议题回顾 | 物理世界的自动化攻防:Agent 小队无人值守 IoT 漏洞挖掘实践》, 查看原文。 版权归原作者及原发布平台所有,本站仅作收录与展示,未对正文内容作实质性修改; 若涉及侵权请联系本站处理。