Bug hunting avec des LLM : comment un spécialiste de « Bastion » traque les vulnérabilités sans se noyer dans le spam

Un spécialiste du département de réponse aux incidents de la société « Bastion », connu sous le pseudonyme Vladislav, a raconté sur Habr comment, ces six derniers mois, il a confié sa chasse aux vulnérabilités sur les plateformes de bug bounty à des grands modèles de langage (LLM). Il a construit un pipeline de deux agents IA doté de trois couches de vérification, afin d'écarter les faux positifs avant l'envoi du rapport.

Pourquoi un agent IA vous noie sous le spam

Lancer un agent IA sur un programme de bug bounty prend cinq minutes. Transformer son « flux de conscience » en rapports acceptés est une tout autre affaire, et le risque de se faire bannir pour spam et de perdre en réputation est réel. L'auteur pratique le bug bounty depuis environ un an et demi, a remporté la compétition Bug Zone 7.0 et cherche des failles avec des LLM depuis six mois. Selon lui, avec l'IA, on peut obtenir de vrais résultats au lieu de soumettre des déchets.

• L'auteur est spécialiste du département de réponse aux incidents de « Bastion » et pratique le bug bounty depuis ~1,5 an
• Il a remporté la compétition Bug Zone 7.0
• Depuis ~6 mois, il recherche des vulnérabilités à l'aide de LLM
• L'article détaille 4 approches du bug hunting assisté par IA et 4 façons de payer le modèle
• Vérification en 3 couches, pipeline de 2 agents IA et analyse d'un cas concret de blind SSRF

Comment ne pas se noyer dans les faux positifs

La clé d'un bug hunting par IA qui fonctionne, c'est la vérification multicouche : chaque trouvaille du modèle passe par trois couches de contrôle avant d'être envoyée. Sans ce filtre, les plateformes de bug bounty traitent la sortie brute d'un LLM comme du spam, ce qui expose le chercheur à un blocage et à une pénalité sur sa réputation.

Les rôles sont répartis au sein du tandem : un agent génère des hypothèses de vulnérabilités, le second les vérifie et les trie, ce qui épargne à l'humain le travail de tri préliminaire. C'est justement le tri manuel du flot de faux positifs qui, de l'avis de l'auteur, transforme le chercheur en « trieur gratuit pour son propre agent » — exactement ce qu'il faut éviter.

L'auteur aborde aussi l'économie du dispositif : il présente quatre façons de payer le modèle, car lorsqu'on fait tourner massivement des 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 type blind SSRF (server-side request forgery), où le serveur, sur ordre de l'attaquant, accède à des ressources internes sans renvoyer directement la réponse. Ce cas montre comment l'agent IA formule une hypothèse, puis comment les couches de vérification confirment son exploitabilité avant le dépôt du rapport.

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

Mais transformer son flux de conscience en rapports acceptés, sans se faire bannir pour spam ni perdre des points de réputation, c'est une tout autre histoire. »

—

Vladislav, spécialiste du département de réponse aux incidents, « Bastion »

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

Ce que cela signifie

Les LLM offrent déjà un avantage réel aux hackers éthiques sur les plateformes de bug bounty, mais uniquement associés à un humain et à une vérification stricte. Un agent IA livré à lui-même, sans couches de contrôle, génère du spam qui coûte sa réputation et son accès aux programmes : la valeur vient de l'architecture du pipeline, pas du modèle seul.

Questions fréquentes

Qu'est-ce que le bug hunting assisté 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, tandis que le chercheur vérifie et met en forme les trouvailles. Le spécialiste de « Bastion » décrit 4 approches de ce processus.

Comment un agent IA évite-t-il de faire du chercheur un spammeur ?

Par la vérification : l'auteur fait passer chaque trouvaille du modèle par trois couches de contrôle et par un pipeline de deux agents, dont le second se charge du tri des trouvailles. Sans ce filtre, la sortie brute d'un LLM conduit à un bannissement pour spam et à une perte de réputation.