''' 实现对大模型调用的封装，隔离具体使用的LLM pip install openai export OPENAI_API_KEY="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" ''' import openai import json import threading import re from openai import OpenAI from myutils.MyTime import get_local_timestr from myutils.MyLogger_logger import LogHandler class LLMManager: def __init__(self,illm_type=0): self.logger = LogHandler().get_logger("LLMManager") self.api_key = None self.api_url = None self.task_id =0 #一个任务一个id self.llm_sn = 0 # llm执行序列号，--一任务一序列 self.llm_sn_lock = threading.Lock() # #temperature设置 #DS------代码生成/数学解题：0.0 -- 数据抽取/分析：1.0 -- 通用对话：1.3 -- 翻译：1.3 -- 创意类写作：1.5 #腾讯云--- self.temperature = 1.0 if illm_type == 0: #腾讯云 self.api_key = "fGBYaQLHykBOQsFwVrQdIFTsYr8YDtDVDQWFU41mFsmvfNPc" self.api_url = "" elif illm_type == 1: #DS self.api_key ="sk-10360148b465424288218f02c87b0e1b" self.api_url ="https://api.deepseek.com/v1" self.model = "deepseek-reasoner" #model=deepseek-reasoner -- R1 model=deepseek-chat --V3 # 创建会话对象 -- 一个任务的LLM必须唯一 self.client = OpenAI(api_key=self.api_key, base_url=self.api_url) elif illm_type ==3: #GPT self.api_key ="" self.api_url = "" self.model = "" self.client = OpenAI() self.messages = [] # 初始化阶段和已知信息 current_stage = "信息收集" known_info = {"url": "www.test.com"} results = [] # 存储所有任务结果，用于生成报告 #******测试使用，设置slef.message的值 def test_old_message(self,strMessage): try: self.messages = json.loads(strMessage) except json.JSONDecodeError as e: print(f"JSON解析错误: {str(e)}") except Exception as e: print(f"错误: {str(e)}") # 构建初始提示 初始化messages def build_initial_prompt(self,target,know_info="无",node=None): # self.messages = [{"role": "system", # "content": "你是一位渗透测试专家,需要动态控制整个渗透测试过程，包括信息收集、漏洞扫描、漏洞利用等阶段，最终生成渗透测试报告。由你规划执行的指令，我会根据你的指令执行并提交结果，你再对结果进行分析，规划并生成下一步指令，直到完成渗透测试，生成测试报告。" # "生成的指令需满足如下约束：" # "1.只返回具体的shell指令或Python代码，不要包含注释和说明；" # "2.shell指令以```bash(.*?)```包裹，python代码以```python(.*?)```包裹；" # "3.若提供的是shell指令，需要避免用户再次交互；" # "4.若提供的是python代码，主函数名为dynamic_fun,需要包含错误处理，执行结束返回两个str(status-'success'或'failure'和output-补充输出信息)；" # "5.如果认为渗透测试已完成，请生成生成报告的python代码，并返回'complete'和报告文件路径"}] # 一个messages #return f"现在开始对目标{target}进行渗透测试，已知信息{know_info}，请提供下一步执行的指令。" if not node: return None #根节点初始化message node.messages = [{"role": "system", "content":''' 你是一位渗透测试专家,由你动态控制整个渗透测试过程，根据当前测试状态和返回结果，决定下一步的测试指令，推动测试阶段前进，直至完成渗透测试。本地程序会根据你的指令进行执行,然后将执行结果返回给你。 整体过程说明： 1.以目标系统所在IP为根节点，每个渗透测试点（如端口、服务、漏洞点）作为子节点，形成树型结构（测试树）； 2.测试树整体数据由本地程序存储，你只需要关注当前节点的渗透测试推进，节点状态(未完成、已完成)的更新，和是否有子节点新增； 3.新增子节点时，同一父节点下的子节点名称不能相同，并提供对该节点的测试指令； 3.新增节点示例：{\"action\":\"add_node\", \"parent\": \"80端口\", \"node\": \"http://192.168.1.100/index.php?id=1\", \"status\": \"未完成\"}； 4.完成节点测试且发现漏洞示例：{\"action\": \"update_status\", \"node\": \"21端口\", \"status\": \"已完成\"，\"vulnerability\": \"ftp匿名登录\"}； 5.发现漏洞后，可根据漏洞类型决定是否新增子节点继续测试，如：{\"action\": \"add_node\", \"parent\": \"21端口\", \"node\": \"ftp配置检查\", \"status\": \"未完成\"}； 6.当本地程序确认所有节点状态均为“已完成”时，生成测试报告。 生成的渗透测试指令需满足如下约束： 1.只返回具体的shell指令或Python代码，不要包含注释和说明； 2.shell指令以```bash-[对应节点的路径](.*?)```包裹，python代码以```python-[对应节点的路径](.*?)```包裹； 3.若提供的是shell指令，需要避免用户再次交互； 4.若提供的是python代码，主函数名为dynamic_fun，需包含错误处理，执行结束后返回一个tuple (status, output)，其中status为'success'或'failure'，output为补充输出信息； 示例： ```python-[目标系统->192.168.1.100->3306端口] def dynamic_fun(): try: result = "扫描完成" return ("success", result) except Exception as e: return ("failure", str(e)) ``` 5.如果认为渗透测试已完成，请生成生成报告的python代码，并返回'complete'和报告文件路径。 '''}] # 一个messages user_Prompt = f''' 当前分支路径：目标系统->{target} 当前节点信息： - 节点名称：{target} - 节点状态：未完成 - 漏洞类型：未发现 上一步结果：已知信息-{know_info} 任务：生成下一步渗透测试指令或结束该节点的渗透测试(修改节点状态为：已完成)。 ''' return user_Prompt def init_data(self,task_id=0): #初始化LLM数据 self.llm_sn = 0 self.task_id = task_id self.messages = [] # 调用LLM生成指令 def get_llm_instruction(self,prompt,th_DBM,node): ''' 1.由于大模型API不记录用户请求的上下文，一个任务的LLM不能并发！ :param prompt:用户本次输入的内容 :return: instr_list ''' #添加本次输入入该节点的message队列 message = {"role":"user","content":prompt} node.messages.append(message) #提交LLM post_time = get_local_timestr() response = self.client.chat.completions.create( model=self.model, messages = self.messages ) #LLM返回结果处理 reasoning_content = "" content = "" #LLM返回处理 if self.model == "deepseek-reasoner": #返回错误码：DS-https://api-docs.deepseek.com/zh-cn/quick_start/error_codes reasoning_content = response.choices[0].message.reasoning_content #推理过程 print(reasoning_content) content = response.choices[0].message.content #推理内容 print(content) # 记录llm历史信息 node.messages.append({'role': 'assistant', 'content': content}) elif self.model == "deepseek-chat": content = response.choices[0].message # 记录llm历史信息 node.messages.append(content) else: self.logger.error("处理到未预设的模型！") return None #LLM记录存数据库 node.llm_sn += 1 bres = th_DBM.insert_llm(self.task_id,prompt,reasoning_content,content,post_time,node) if not bres: self.logger.error(f"{node.name}-llm入库失败！") #需要对指令进行提取 node_list = self.fetch_instruction(content,node) #********测试时使用---输出和记录LLM返回指令的message print(f"Messages:{self.messages}") with open("../test", "w", encoding="utf-8") as f: #输出到文件 json.dump(self.messages,f,ensure_ascii=False) return node_list def fetch_instruction(self,response_text,node): ''' 节点控制指令 渗透测试指令 提取命令列表，包括： 1. Python 代码块 python[](.*?) 2. Shell 命令``bash[](.*?)``` :param text: 输入文本 :return: node_cmds,python_blocks,shell_blocks ''' #针对llm的回复，提取节点操作数据和执行的指令---- # 正则匹配 Python 代码块 python_blocks = re.findall(r"```python-(.*?)```", response_text, flags=re.DOTALL) # 处理 Python 代码块，去除空行并格式化 python_blocks = [block.strip() for block in python_blocks] #正则匹配shell指令 shell_blocks = re.findall(f"```bash-(.*?)```", response_text, flags=re.DOTALL) shell_blocks = [block.strip() for block in shell_blocks] # 按连续的空行拆分 # 移除 Python和bash 代码块 text_no_python = re.sub(r"```python.*?```", "PYTHON_BLOCK", response_text, flags=re.DOTALL) text = re.sub(r"```bash.*?```", "SHELL_BLOCK", text_no_python, flags=re.DOTALL) # 这里用 \n\s*\n 匹配一个或多个空白行 parts = re.split(r'\n\s*\n', text) node_cmds = [] commands = [] python_index = 0 shell_index = 0 for part in parts: part = part.strip() if not part: continue if "PYTHON_BLOCK" in part: # 还原 Python 代码块 commands.append(f"python_code {python_blocks[python_index]}") python_index += 1 elif "SHELL_BLOCK" in part: commands.append(shell_blocks[shell_index]) shell_index +=1 else: #其他的认为是节点操作指令 node_cmds.append(part) return node_cmds,commands #？存在一个问题：这样分list返回，执行顺序会丢失 def test_llm(self): with open("../test", "r", encoding="utf-8") as f: messages = json.load(f) text = messages[-1]["content"] list = self.fetch_instruction(text) for itme in list: print("***********") print(itme) if __name__ == "__main__": LM = LLMManager(1) LM.test_llm()