Hendra：上下文感知的黑盒 DAST

我如何设计这款扫描器

1. 01

   绘制应用全貌

   带插桩的爬虫构建一张攻击面图，涵盖端点、参数、观测到的技术以及响应特征。被动检测则利用已收集的响应进一步充实该模型。

2. 02

   选择相关检测项

   技术识别结果和攻击面图共同指导扫描规划、载荷选择以及相关的 Nuclei 模板。扫描器将自有的通用探测与针对特定技术的检测流程结合起来。

3. 03

   控制每一个请求

   统一的请求分发层在所有扫描模块之间实施基于特征等价的去重和记忆化。是否复用取决于请求上下文和有效性检查，仅凭 URL 相似并不能认定等价。

4. 04

   审查证据

   候选发现在报告之前，需经过一个基于证据、由 LLM 辅助的判定层。检测效果以明确的基准真值进行评估；验证层本身同样需要评估。

受控实验的结果

在记录的 DVWA 低安全级别测试中，Hendra 检出了 15 个基准漏洞实例中的 14 个，且无误报；Burp Suite Pro 检出 15 个中的 13 个，同样无误报。Hendra 漏掉了一个 XSS 实例，原因是其爬虫没有触达受影响的参数。请求量和 F1 值可以同时反映检测结果和流量成本。

这些结果能说明什么

本次测试表明，在所选目标和配置下，Hendra 以精简的请求集实现了较强的检测能力。它并不能证明 Hendra 在所有场景下都更优、耗时更短、覆盖完整，也不能保证在客户应用上得到相同结果。那一处漏报也说明了为什么爬取覆盖率必须纳入评估。新的对比需要明确的目标、访问权限、可复现的工具配置，以及在可行时的基准真值。

支撑工程实现的研究

这些论文分别探讨研究中的具体部分。上文的 DVWA 对比来自我的项目研究记录，并不代表三篇论文中都发表了这一结果。

• Web 技术识别

  行为特征、弱监督以及规则辅助的机器学习有助于确定应用上下文。已发表的研究在 8,594 个网站上评估了 122 种技术。

• 请求去重与记忆化

  一个关于请求等价、安全复用、并发分发和复杂度上界的形式化模型，为控制扫描器的冗余流量奠定了基础。

• DASTestBed 评估框架

  容器化的测试目标、明确的漏洞记录和标准化的扫描器结果，使评估条件和检测成本都可以被审查。