Багхантинг через LLM: как специалист «Бастиона» ищет уязвимости и не тонет в спаме

Pourquoi un agent IA se noie dans le spam

Lancer un agent IA sur un programme de bug bounty prend cinq minutes, mais transformer son « flux de conscience » en rapports acceptés est la partie délicate — celle qui peut facilement valoir un bannissement pour spam et une perte de réputation. L'auteur chasse en bug bounty depuis environ un an et demi, a remporté la compétition BugZone 7.0 et, ces six derniers mois, cherche des bugs justement via des LLM — selon lui, l'IA permet d'obtenir des résultats, et non de livrer du bruit.

*Auteur — spécialiste du département de réponse aux incidents de l'entreprise Bastion, ~1,5 an d'expérience en bug bounty

*Vainqueur de la compétition BugZone 7.0

*Cherche des vulnérabilités à l'aide de LLM depuis ~6 mois

*Dans l'analyse — 4 approches du bug hunting par IA et 4 façons de payer le modèle

*Vérification en 3 couches et pipeline de 2 agents IA, analyse en direct d'un blind SSRF

Comment ne pas se noyer dans les faux positifs

La clé d'un bug hunting par IA qui fonctionne, c'est une vérification multicouche : l'auteur met en place trois couches de vérification par lesquelles passe chaque découverte du modèle avant l'envoi. Sans ce filtre, les plateformes de bug bounty perçoivent la sortie brute du LLM comme du spam, ce qui expose à un blocage et à une pénalité sur la réputation du chercheur.

Les rôles dans le duo sont répartis : un agent génère des hypothèses de vulnérabilités, le second les vérifie et les trie, déchargeant l'humain de la routine du tri initial. C'est précisément l'analyse manuelle du flux de faux positifs qui, selon l'auteur, transforme le chercheur en « trieur gratuit pour son propre agent » — ce qu'il faut justement éviter.

Séparément, l'auteur décortique l'économie du procédé : il présente quatre façons de payer le modèle, car lors des exécutions massives d'hypothèses, le coût des tokens devient un poste de dépense significatif pour le chercheur.

Ce que montre l'analyse du blind SSRF

Comme exemple concret, l'auteur détaille la recherche d'une vulnérabilité de classe blind SSRF (server-side request forgery) — lorsque le serveur, sur ordre de l'attaquant, contacte des ressources internes mais ne renvoie pas directement la réponse. Ce cas montre comment l'agent IA formule une hypothèse, et comment les couches de vérification confirment l'exploitabilité avant le dépôt du rapport.

« Lancer un agent IA sur du bug bounty, c'est l'affaire de cinq minutes.

Mais transformer son flux de conscience en rapports acceptés, pour ne pas se faire bannir pour spam et perdre en réputation, c'est la partie délicate. »

—

Vladislav, spécialiste du département de réponse aux incidents, Bastion

L'auteur ne promet pas de bouton tout prêt « faire bien » : même avec un LLM, le résultat repose sur la discipline de la vérification, et non sur l'automatisation pour l'automatisation.

Ce que cela signifie

Les LLM donnent déjà aux hackers éthiques un réel avantage en bug bounty, mais seulement en tandem avec un humain et une vérification rigoureuse. Un agent IA nu, sans couches de vérification, génère du spam qui coûte de la réputation et l'accès aux programmes — c'est l'architecture du pipeline qui crée la valeur, pas le modèle en lui-même.

Questions fréquentes

Qu'est-ce que le bug hunting par IA ?

C'est la recherche de vulnérabilités dans le cadre de programmes de bug bounty à l'aide de grands modèles de langage (LLM) : le modèle génère des hypothèses de vulnérabilités, et le chercheur vérifie et met en forme les découvertes. Le spécialiste de Bastion décrit 4 approches de ce processus.

Comment l'agent IA évite-t-il que le chercheur ne devienne un spammeur ?

Grâce à la vérification : l'auteur fait passer chaque découverte du modèle par trois couches de contrôle et un pipeline de deux agents, où le second agent prend en charge le tri des découvertes. Sans ce filtre, la sortie brute du LLM mène à un bannissement pour spam et une pénalité de réputation.