📌 بخشی از دوره Web Penetration Testing Fundamentals

⭕ در این بخش میبینید چگونه یک گزارش حرفه‌ای تست نفوذ تهیه کنیم، یافته‌ ها و ریسک‌ ها رو مستند کنیم و نتیجه تست رو به‌صورت استاندارد به کارفرما ارائه بدیم.
همچنین توضیح داده میشه برای دریافت مدرک دوره در پایان دوره چه مراحلی رو باید طی کنید و چه مواردی در ارزیابی نهایی بررسی میشه.

⭕ دوستان، تصمیم گرفتیم بخشی از محتوای دوره رو به‌ صورت رایگان در اختیار شما قرار بدیم تا قبل از ثبت‌نام، با سبک آموزش و فضای دوره بیشتر آشنا بشید.

⏳ اگر مدت‌ هاست میخواید یادگیری Web Pentesting رو جدی شروع کنید، این فرصت رو از دست ندید.

📚 برای مشاهده سرفصل‌ ها، جزئیات دوره و ثبت‌نام، به اینجا مراجعه کنید.

📩 برای ثبت‌ نام یا دریافت اطلاعات بیشتر:

🆔 @ThbxSupport

@TryHackBox

📌 اولویت‌بندی ریسک‌ های ناشی از هوش مصنوعی

داده‌ها و مواد مربوط به یک مطالعه دلفی سه‌دوره‌ای که توسط طرح "ابتکار عمل ریسک هوش مصنوعی" (MIT AI Risk Initiative) انجام شد، به منظور جمع‌آوری نظرات متخصصان در مورد اولویت‌بندی ریسک‌ های هوش مصنوعی. بیش از 200 متخصص، 24 زیرمجموعه ریسک هوش مصنوعی را از طبقه‌بندی "مخزن ریسک هوش مصنوعی" (AI Risk Repository) در سه بعد ارزیابی کردند: آسیب‌پذیری، مسئولیت و شدت.

@AiTHB
#هوش_مصنوعی

یک سال کار با مدل‌های زبانی بزرگ (LLM) برای اهداف هک

https://sites.google.com/site/zhiniangpeng/blogs/Hacking-with-LLMs-Eng

@AiThb

🔰 Practical AI Security 🔰
@AiTHB

مهارت‌های Claude Code برای پشتیبانی از مهندسی معکوس برنامه‌های اندروید.

https://github.com/SimoneAvogadro/android-reverse-engineering-skill

@AiTHB

Android 1-Day Exploit با کمک LLM

یک سؤال جالب اینجا مطرح می‌شود:
آیا یک LLM می‌تواند فقط با داشتن Patch Diff و توضیح عمومی یک CVE، خودش را به یک 1-day exploit واقعی برساند؟

یک پژوهشگر این موضوع را روی Pixel 6a امتحان کرده و نتیجه، حداقل جالب است.
کار از مقایسه دو نسخه از Google Factory Images شروع شد. مدل binaryها را با هم مقایسه کرد، componentهایی که احتمالاً patch شده بودند را جدا کرد و بعد سراغ reverse engineering رفت.
در ادامه تغییرات function-level با CVEهای منتشرشده تطبیق داده شدند.

یکی از مواردی که بیشتر از بقیه جلب توجه کرد:

CVE-2026-56942
Component: BigWave
Function: ReadTileInfo
Source: vp9hwd_headers.cc

توضیح عمومی CVE به یک Out-of-Bounds Write ناشی از نبودن bounds check اشاره می‌کند.
با بررسی patch، یک تغییر مشخص در کد پیدا شد که احتمالاً همان fix مربوط به آسیب‌پذیری بود.
اینجا کار وارد مرحله جالب‌تری شد.
LLM اول از نوشتن exploit خودداری کرد. اما researcher یافته‌ها و فرضیه‌های به‌دست‌آمده از reverse engineering را به GLM-5.3 منتقل کرد.

نتیجه؟

اGLM-5.3 توانست یک 1-day exploit توسعه دهد که روی یک Pixel 6a واقعی با نسخه آسیب‌پذیر اجرا شد.
هزینه این کار هم کم نبود:

• حدود 12 میلیون
token
• 4492 tool call

• حدود 6 ساعت پردازش
• حدود 38 دلار هزینه
• یک MCP اختصاصی برای reverse engineering

این آزمایش لزوماً به این معنی نیست که LLMها جای exploit developerها را گرفته‌اند.
اما یک چیز را خیلی واضح نشان می‌دهد:

اگر مدل به binary diff، reverse engineering، patch analysis و ابزارهای مناسب دسترسی داشته باشد، می‌تواند بخش قابل‌توجهی از مسیر vulnerability research را خودش جلو ببرد.
شاید سؤال مهم دیگر این نباشد که:
«آیا AI می‌تواند exploit بنویسد؟»
بلکه این باشد:
وقتی مدل‌ها بهتر شوند، تبدیل یک CVE عمومی به یک 1-day واقعی چقدر سریع‌تر و ارزان ‌تر می‌شود؟

@AiTHB

📌 بررسی امنیتی مدل «Zero Trust» برای عوامل هوش مصنوعی: چک‌لیست، نسخه 3، ژوئن 2026.

@AiTHB
#هوش_مصنوعی #امنیت_سایبری

🎯 Resource Development در AI Red Team: نقشه‌ی دقیق روی MITRE ATLAS**

1. 🎯 Resource Development اولین تاکتیک واقعی زنجیره‌ی ATLAS است؛ پیش از هر Reconnaissance، مهاجم باید ابزار، زیرساخت، و هویت بسازد.
2. 📦 AML.T0002 — Acquire Public AI Artifacts: دانلود dataset و model checkpoint از HuggingFace Hub یا bucket‌های باز، بدون هیچ تعامل مستقیم با هدف.
3. 🗂️ AML.T0002.000: کپی corpus‌های عمومی (Common Crawl، The Pile) برای ساخت یک surrogate model محلی جهت تست offline حمله.
4. 🧬 AML.T0002.001: دانلود یک checkpoint متن‌باز هم‌خانواده با هدف (مثلاً Qwen یا Llama) برای دسترسی white-box پیش از حمله‌ی واقعی.
5. ☁️ AML.T0008 — Acquire Infrastructure: اجاره‌ی GPU cloud، معمولاً با هویت یا پرداخت غیرقابل‌ردیابی، برای fine-tuning یا بهینه‌سازی gradient-based.
6. 🌐 نسخه‌ی کم‌هزینه‌ی همین تکنیک: سوءاستفاده از compute رایگان Google Colab یا Kaggle به‌جای اجاره‌ی مستقیم زیرساخت.
7. 🛠️ AML.T0016 — Obtain Capabilities: تهیه‌ی framework‌های آماده‌ی adversarial ML (مثل ART یا CleverHans) بدون نوشتن کد از صفر.
8. 🧰 AML.T0016.001: استفاده از ابزار automation عمومی (مثل PyRIT) برای تولید انبوه پرامپت‌های adversarial با کمترین تلاش دستی.
9. ⚙️ AML.T0017 — Develop Capabilities: نوشتن اختصاصی optimizer از کلاس GCG وقتی ابزار آماده برای هدف خاص کافی نیست.
10. 💉 AML.T0017.000: طراحی حمله‌ی سفارشی برای دور زدن دقیقاً همان safety classifier‌ای که هدف در production استفاده می‌کند.
11. 👤 AML.T0021 — Establish Accounts: ساخت حساب با هویت ظاهری معتبر روی HuggingFace یا GitHub برای انتشار بی‌ریسک artifact بعدی.
12. ☣️ AML.T0019 — Publish Poisoned Datasets: انتشار dataset ظاهراً تمیز با چند نمونه‌ی trigger مخفی، پیش از crawl شدن توسط پایپ‌لاین‌های آموزشی آینده.
13. 🎭 AML.T0058 — Publish Poisoned Models: انتشار یک LoRA adapter backdoor‌شده با ادعای بهبود benchmark، دقیقاً روی همان رجیستری‌های عمومی.
14. 👻 AML.T0060 — Publish Hallucinated Entities: ثبت‌نام پکیجی که مدل‌های زبانی معمولاً hallucinate می‌کنند — تکنیکی شناخته‌شده با نام slopsquatting.
15. 🔗 خروجی T0016/T0017 مستقیماً ورودی تاکتیک بعدی یعنی ML Attack Staging می‌شود؛ این هفت تکنیک هیچ‌وقت مجزا اجرا نمی‌شوند.
16. 📊 معیار موفقیت این فاز دقت مدل نیست، «نامرئی‌ماندن» است — یک adapter مخرب فقط با عبور از audit اولیه ارزش عملیاتی پیدا می‌کند.
17. 🧩 ترکیب T0002 (دانلود مدل پایه) + T0017 (fine-tuning اختصاصی) دقیقاً همان مسیر متدولوژیک پروژه‌های واقعی backdoor injection است.
18. 💰 آستانه‌ی ورود این فاز به‌شدت پایین است: چند ده دلار GPU و یک حساب رایگان Hub، کل زیرساخت لازم را فراهم می‌کند.
19. 🕵️ سیگنال دفاعی کلیدی: جهش ناگهانی در انتشار adapter/model از حساب‌های تازه‌ساخته با تاریخچه‌ی صفر روی رجیستری‌های عمومی.
20. 🔍 سیگنال دوم: دانلود حجم بالای checkpoint هم‌خانواده (نه خود مدل هدف) از یک IP یا حساب واحد — نشانه‌ی ساخت surrogate برای transfer attack.
21. 🧪 برای تیم قرمز داخلی، شبیه‌سازی کامل همین زنجیره (بدون انتشار واقعی روی رجیستری عمومی) بهترین معیار تست کنترل supply-chain سازمان است.
22. 🏷️ نکته‌ی حیاتی ATLAS: شماره‌ی Technique ID ترتیب نمایش نیست؛ تطبیق کنترل امنیتی باید بر اساس نام دقیق تکنیک انجام شود.
23. 🔄 این فاز چرخه‌ای‌ست نه خطی: یک AML.T0058 موفق (adapter مسموم منتشرشده) خودش ورودی T0002 برای قربانی بعدی می‌شود.
24. 🛡️ دفاع واقعی نه در لایه‌ی مدل، بلکه در لایه‌ی provenance است: امضای رمزنگاری‌شده برای هر artifact دانلودی، پیش از merge با pipeline.
25. ⚖️ Resource Development ارزان‌ترین و کم‌ریسک‌ترین فاز برای مهاجم است — دقیقاً به همین دلیل، ضعیف‌ترین نقطه‌ی نظارتی در اکثر سازمان‌هاست.


@TryHackBox

Strategic AI Red Teaming: Moving from Payloads to Research Questions



با Obsidian باز کنید و حتما بخونید

@AiTHB

سلام وقت بخیر

از این به بعد هر چند وقت یکبار نوت های تخصصی Ai Red Team گذاشته خواهد شد و بر اساس Mittre Atllas خواهد بود

با نرم افزار Obsidian باز بشه

دقیق و کامل خونده بشه

تحلیل و معماری: [@Shadow_AIRedTeam]
🛡️ (پژوهشگر امنیت هوش مصنوعی)

⚠️ کپی‌رایت: این محتوا، تحلیلِ اختصاصیِ نویسنده است. بازنشر در سایر کانال‌ها صرفاً با ذکر آیدی نویسنده و لینک به کانال @AiTHB مجاز است.

HaloGuard 1.0: An Open Weights Constitutional Classifier for Multilingual AI Safety

@AiTHB

استفاده از مدل‌ های زبانی بزرگ (LLM) در تحقیقات آسیب‌پذیری‌ ها

https://devansh.bearblog.dev/needle-in-the-haystack/

@AiTHB

📌 برگزاری جلسه ویس چت : 

با درود خدمت دوستان و همراهان عزیز، 
در راستای ارتقای سطح دانش فنی و آشنایی بیشتر با مباحث امنیت سایبری، قصد داریم جلسه‌ای تخصصی و آموزشی در خصوص Ai Security به صورت ویس چت برگزار کنیم.

🎙 مهمان ویژه: 
👤 مهندس : سجاد چهرازی

📅 زمان برگزاری: امشب

📍 پلتفرم: گوگل میت

🕗 ساعت : 21:00
🔖  لینک جلسه :
meet.google.com/wsa-vfhy-xuz
⁉️ موضوعات ما :

📌 هوش مصنوعی در امنیت سایبری؛ Automation واقعی یا فقط یک Copilot پیشرفته؟

🔔 نکته مهم: 
جهت شرکت به موقع جلسه، حتماً کانال تلگرام را چک کنید تا از این جلسه جا نمونید .

➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🆔 @RadioZeroPod
🆔 @TryHackBox

افزونه مهندسی معکوس مبتنی بر هوش مصنوعی برای IDA Pro

https://github.com/symgraph/IDAssist

@AiTHB