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

Por que um agente de IA afunda no spam

Colocar um agente de IA para rodar em um programa de bug bounty leva cinco minutos, mas transformar seu "fluxo de consciência" em relatórios aceitos é a parte complicada — e é justamente por isso que é fácil levar um banimento por spam e perder reputação. O autor caça em bug bounty há cerca de um ano e meio, venceu a competição BugZone 7.0 e, nos últimos seis meses, busca bugs justamente por meio de LLM — segundo ele, com IA dá para alcançar resultado, e não entregar lixo.

*Autor — especialista do departamento de resposta a incidentes da empresa Bastion, ~1,5 ano de experiência em bug bounty

*Vencedor da competição BugZone 7.0

*Nos últimos ~6 meses busca vulnerabilidades com ajuda de LLM

*Na análise — 4 abordagens para o bug hunting com IA e 4 formas de pagar pelo modelo

*Verificação em 3 camadas e pipeline de 2 agentes de IA, análise ao vivo de um blind SSRF

Como não afundar em falsos positivos

A chave para um bug hunting com IA que funcione é a verificação em múltiplas camadas: o autor monta três camadas de verificação pelas quais passa cada achado do modelo antes do envio. Sem esse filtro, as plataformas de bug bounty tratam a saída bruta do LLM como spam, o que ameaça com bloqueio e penalidade na reputação do pesquisador.

Os papéis na dupla são divididos: um agente gera hipóteses sobre vulnerabilidades, o segundo verifica e classifica essas hipóteses, tirando do humano a rotina da triagem inicial. É justamente a análise manual do fluxo de falsos positivos que, segundo observa o autor, transforma o pesquisador em um "triador gratuito para o próprio agente" — algo que precisa ser evitado.

Separadamente, o autor detalha a economia: ele apresenta quatro formas de pagar pelo modelo, porque, em execuções em massa de hipóteses, o custo de tokens se torna um item significativo nas despesas do pesquisador.

O que mostra a análise do blind SSRF

Como exemplo ao vivo, o autor analisa a busca por uma vulnerabilidade da classe blind SSRF (server-side request forgery) — quando o servidor, a mando do atacante, acessa recursos internos, mas não retorna a resposta diretamente. Nesse caso é mostrado como o agente de IA formula a hipótese, e as camadas de verificação confirmam a explorabilidade antes do envio do relatório.

«Colocar um agente de IA para rodar em bug bounty é questão de cinco minutos.

Já transformar seu fluxo de consciência em relatórios aceitos, para não levar um banimento por spam e um menos na reputação, é a parte complicada.»

—

Vladislav, especialista do departamento de resposta a incidentes, Bastion

O autor não promete um botão pronto de "fazer bem feito": mesmo com LLM, o resultado se sustenta na disciplina de verificação, e não na automação pela automação.

O que isso significa

Os LLMs já dão aos hackers éticos uma vantagem real no bug bounty, mas apenas em conjunto com um humano e verificação rigorosa. Um agente de IA nu, sem camadas de verificação, gera spam que custa reputação e acesso aos programas — o valor é criado pela arquitetura do pipeline, e não pelo modelo em si.

Perguntas frequentes

O que é bug hunting com IA?

É a busca por vulnerabilidades dentro de programas de bug bounty com ajuda de grandes modelos de linguagem (LLM): o modelo gera hipóteses sobre vulnerabilidades, e o pesquisador verifica e formata os achados. O especialista da Bastion descreve 4 abordagens para esse processo.

Como o agente de IA evita que o pesquisador se torne um spammer?

Por meio da verificação: o autor passa cada achado do modelo por três camadas de checagem e um pipeline de dois agentes, em que o segundo agente assume a classificação dos achados. Sem esse filtro, a saída bruta do LLM leva a um banimento por spam e uma penalidade na reputação.