一、附上自用的一个案例：
- PrivHunterAI扫描结果（该漏洞公网暴露资产暂未全部修复，所以重码一下）：
- 将漏洞提交至CNNVD：
- 获得CNNVD-2024年度二级贡献奖，奖金2万
二、为什么要做这个工具：
该工具在24年初就有一个初版，但是有很多局限：
为什么初版工具不够用？
当时该版本设计比较直接：通过匹配鉴权关键字（如响应包B包含 “暂无查询权限”“权限不足” 等关键字，则判断为未越权）、以及对比两个响应的相似度（使用Levenshtein编辑距离计算文本相似度）来判断是否存在越权。它的逻辑简单，效率也不错，也帮我发现了很多越权漏洞，但问题同样明显：
- 关键词匹配太死板
这种方法只能抓住显式的权限提示，比如“权限不足”这样的明文信息。但是如果接口没有返回明确的提示，甚至返回的数据看起来“正常”，那初版工具就无能为力了。它的局限性在于，越权的本质是“数据泄露”，而不是单纯的“权限错误”。所以，它漏掉了很多隐性的越权漏洞。
- 动态内容干扰了相似度计算
初版工具用的是 Levenshtein 编辑距离算法来计算响应包的相似度。这个算法在静态内容中表现不错，但一旦遇到动态生成的字段，比如时间戳、随机数、会话 ID 等，它就会被这些变化“带偏”。动态字段的干扰让相似度计算变得不靠谱，导致误报率飙升。
- 不支持HTTPS 和被动代理
初版工具还存在技术上的硬伤，比如不支持 HTTPS，也不支持被动代理。这些问题让它在现代网络环境中显得笨拙。很多目标系统都启用了 HTTPS，而初版工具无法解析加密流量。这种“断层”让它的适用范围大打折扣。
- 人工筛查的工作量太大
即使初代工具能筛出一些疑似越权的结果，最终还是得靠人工二次筛查。问题是，扫描的结果数量往往很大，人工筛查的负担并不轻松。这种“半自动化”的方式，效率提升有限。
于是，试想有没有办法一定程度上解决以上问题，就想到了通过AI来辅助筛查。在匹配鉴权关键字的基础上，让AI来初筛一遍结果，可以节省人工筛查的工作量，也可以降低误报率。后续也一并调研了可以兼容https的方案。
最后结合以上思路，写了PrivHunterAI这个工具。
三、PrivHunterAI 的工作流是怎么设计
工作流程
- 关键词过滤
工具首先通过关键词（比如“权限不足”）过滤掉一些明显无越权的情况。这个步骤既节省了 AI 的计算资源，也提升了整体效率。
- AI 高阶分析
如果关键词过滤没有结果，工具会把响应包交给 AI 进行深度分析。AI 会忽略动态字段，专注于非动态内容的结构和相关性。它会判断响应包是否包含敏感数据，是否符合预期，得出最终结论。
- 输出结果
AI 的分析结果会以 JSON 格式输出，包括“越权成功”“越权失败”或者“无法判断”的结论，便于后续处理。
- 支持多种 AI 引擎
PrivHunterAI 支持调用多种 AI 引擎，比如 Kimi、DeepSeek 和通义千问等。
工具的意义
用 AI 解决传统自动化工具的局限。
- AI 推动工具效率提升
传统自动化工具的效率提升是有上限的，因为它们依赖于规则和逻辑。而 AI 的引入，让工具可以从“规则驱动”转向“数据驱动”。AI 能够处理更复杂、更模糊的场景，这拓宽了工具的应用边界。
- 效率与人力的平衡
PrivHunterAI 的较大亮点，是它让 AI 承担了重复性、耗时性的任务，而让人专注于更有价值的分析和决策。这种效率与人力的平衡，不仅提升了检测的精准度，还让整个流程更加高效。
- 未来还有无限可能
PrivHunterAI 的 AI 模块仍然有很大的优化空间，比如通过强化学习不断优化分析策略，或者通过多模型融合提高检测的准确率。
四、用法
使用方法
1、下载源代码或 Releases；
2、编辑根目录下的config.json文件，配置AI和对应的apiKeys（只需要配置一个即可）；（AI的值可配置qianwen、kimi、hunyuan、gpt、glm 或 deepseek） ；
3、配置headers2（请求B对应的headers）；可按需配置suffixes、allowedRespHeaders（接口后缀白名单，如.js）；
4、执行go build编译项目（下载的Releases则跳过），并运行二进制文件；
5、首次启动后需安装证书以解析 HTTPS 流量，证书会在首次启动命令后自动生成，路径为 ~/.mitmproxy/mitmproxy-ca-cert.pem。安装步骤可参考 Python mitmproxy 文档：About Certificates。
6、BurpSuite 挂下级代理 127.0.0.1:9080（端口可在mitmproxy.go 的Addr:":9080", 中配置）即可开始扫描；
7、终端和web界面均可查看扫描结果，前端查看结果请访问127.0.0.1:8222 。
配置文件介绍（config.json）
输出效果
1、终端输出：
2、前端输出（访问127.0.0.1:8222）：
其他
一个比较通用的越权检测Prompt
以下是一个比较通用的越权检测Prompt，可以根据自己测试系统做相应调整：
{
"role": "你是一个AI，负责通过比较两个HTTP响应数据包来检测潜在的越权行为，并自行做出判断。",
"inputs": {
"reqA": "原始请求A",
"responseA": "账号A请求URL的响应。",
"responseB": "使用账号B的Cookie（也可能是token等其他参数）重放请求的响应。",
"statusB": "账号B重放请求的请求状态码。",
"dynamicFields": ["timestamp", "nonce", "session_id", "uuid", "request_id"]
},
"analysisRequirements": {
"structureAndContentComparison": {
"urlAnalysis": "结合原始请求A和响应A分析，判断是否可能是无需数据鉴权的公共接口（不作为主要判断依据）。",
"responseComparison": "比较响应A和响应B的结构和内容，忽略动态字段（如时间戳、随机数、会话ID、X-Request-ID等），并进行语义匹配。",
"httpStatusCode": "对比HTTP状态码：403/401直接判定越权失败（false），500标记为未知（unknown），200需进一步分析。",
"similarityAnalysis": "使用字段对比和文本相似度计算（Levenshtein/Jaccard）评估内容相似度。",
"errorKeywords": "检查responseB是否包含 'Access Denied'、'Permission Denied'、'403 Forbidden' 等错误信息，若有，则判定越权失败。",
"emptyResponseHandling": "如果responseB返回null、[]、{}或HTTP 204，且responseA有数据，判定为权限受限（false）。",
"sensitiveDataDetection": "如果responseB包含responseA的敏感数据（如user_id、email、balance），判定为越权成功（true）。",
"consistencyCheck": "如果responseB和responseA结构一致但关键数据不同，判定可能是权限控制正确（false）。"
},
"judgmentCriteria": {
"authorizationSuccess (true)": "如果不是公共接口，且responseB的结构和非动态字段内容与responseA高度相似，或者responseB包含responseA的敏感数据，则判定为越权成功。",
"authorizationFailure (false)": "如果是公共接口，或者responseB的结构和responseA不相似，或者responseB明确定义权限错误（403/401/Access Denied），或者responseB为空，则判定为越权失败。",
"unknown": "如果responseB返回500，或者responseA和responseB结构不同但没有权限相关信息，或者responseB只是部分字段匹配但无法确定影响，则判定为unknown。"
}
},
"outputFormat": {
"json": {
"res": "\"true\", \"false\" 或 \"unknown\"",
"reason": "清晰的判断原因，总体不超过50字。"
}
},
"notes": [
"仅输出 JSON 格式的结果，不添加任何额外文本或解释。",
"确保 JSON 格式正确，便于后续处理。",
"保持客观，仅根据响应内容进行分析。",
"优先使用 HTTP 状态码、错误信息和数据结构匹配进行判断。",
"支持用户提供额外的动态字段，提高匹配准确性。"
],
"process": [
"接收并理解原始请求A、responseA和responseB。",
"分析原始请求A，判断是否是无需鉴权的公共接口。",
"提取并忽略动态字段（时间戳、随机数、会话ID）。",
"对比HTTP状态码，403/401直接判定为false，500标记为unknown。",
"检查responseB是否包含responseA的敏感数据（如user_id、email），如果有，则判定为true。",
"检查responseB是否返回错误信息（Access Denied / Forbidden），如果有，则判定为false。",
"计算responseA和responseB的结构相似度，并使用Levenshtein编辑距离计算文本相似度。",
"如果responseB内容为空（null、{}、[]），判断可能是权限受限，判定为false。",
"根据分析结果，返回JSON结果。"
]
}
工具跟新时间线
2025.02.18
- ⭐️新增扫描失败重试机制，避免出现漏扫；
- ⭐️新增响应Content-Type白名单，静态文件不扫描；
- ⭐️新增限制每次扫描向AI请求的最大字节，避免因请求包过大导致扫描失败。
2025.02.25 -02.27
- ⭐️新增对URL的分析（初步判断是否可能是无需数据鉴权的公共接口）；
- ⭐️新增前端结果展示功能。
- ⭐️新增针对请求B添加其他headers的功能（适配有些鉴权不在cookie中做的场景）。
2025.03.01
- 优化Prompt，降低误报率；
- 优化重试机制，重试会提示类似:AI分析异常，重试中，异常原因： API returned 401: {"code":"InvalidApiKey","message":"Invalid API-key provided.","request_id":"xxxxx"}，每10秒重试一次，重试5次失败后放弃重试（避免无限重试）。
2025.03.03
- 💰成本优化：在调用 AI 判断越权前，新增鉴权关键字（如 “暂无查询权限”“权限不足” 等）过滤环节，若匹配到关键字则直接输出未越权结果，节省 AI tokens 花销，提升资源利用效率;
结尾
大家有时间的话可以试用一下这款小工具，有任何不足的地方可以提交issue。希望这款工具可以助力大家更方便的挖掘更多越权漏洞。
