AgentCyberRange：评测长程自主网络攻击能力

从有限目标信息出发，评测智能体的攻击面发现、漏洞利用及长程攻击规划能力。

本文目录

研究问题

评估 AI 的网络安全能力，需要区分不同任务所要求的能力。给定漏洞信息与代码库，构造能够触发漏洞的 PoC，可以衡量漏洞分析和复现能力；从有限目标信息出发，自主发现攻击面并推进后续攻击，则进一步考察探索、规划与持续决策。

AgentCyberRange 面向后一类问题。复旦白泽团队自 2025 年以来持续构建这一评测环境，研究前沿 AI 系统在复杂企业场景中的自主网络攻击能力。

图示来源：研究团队提供；项目与方法见 AgentCyberRange。

这张图把 Web 利用与后渗透分开呈现。两类任务考察的能力并不相同：前者关注初始攻击面与漏洞利用，后者进一步涉及取得访问权限后的探索与持续行动。将两部分放在一起阅读，可以看到模型表现随任务阶段和设置发生的变化；不宜把它们压缩成一个缺乏上下文的总分。

图中的结果应结合对应任务与执行配置理解，不能直接外推为真实网络攻击的发生概率。

图示来源：研究团队提供。

轨迹从初始入口向更深的网络区段推进。前一步获得的访问权限、凭证和服务线索，会改变下一步可以尝试的操作。图中的跨区段连接说明，后续行动依赖已经建立的状态，而不是一组彼此独立的漏洞任务。

图中同时保留扫描、失败尝试、已到达但未利用的目标，以及成功利用的节点。只保留最后的成功路径，会掩盖探索过程中的分支与限制。完整轨迹有助于分析智能体如何使用已有信息、在哪里受阻，以及某次推进依赖了什么条件。

该图用于解释一条任务轨迹，不代表所有受测系统都能完成同样的路径。

智能体从目标入口 IP 列表出发，需要自主发现攻击面、完成漏洞利用，并在获得初始访问权限后继续推进任务。外网打点、权限提升、凭证利用与横向移动之间存在状态依赖。

这张方法图与上面的轨迹图承担不同作用：方法图概括任务中信息与权限的依赖关系，轨迹图则展示一条包含探索分支的具体路径。

以上为原成果介绍中的环境规模快照。环境范围和任务集合可能随版本变化，具体评测应以项目发布的方法与配置为准。