移动 APP 六阶段 AI 分析流水线:SKILL 总控 + 阶段 Agent + 分阶段 MCP + Python 探针与结构化产物继承
ai-security/agent-security · verified
一句话结论
用根 SKILL.md 做意图拦截、输入模板与阶段路由,6 个阶段 Agent 分别负责 APK 静态侦察、流量与代码对齐、SO/JNI 溯源、弱加密与漏洞定性、最小 POC 设计、报告汇总,配合 Jadx/Burp/Ghidra 的 MCP 与 6 个本地 Python 探针,并以 JSON/Markdown 产物跨阶段继承,可把移动 APP 逆向从“多工具手工拼接”变成可暂停、可继承、可自动串联的分析流水线。
原理
- 上下文与幻觉问题:直接把反编译代码丢给模型,缺少真实代码、流量与伪代码上下文,模型容易猜测和产生幻觉;MCP 把 Jadx、Burp/Yakit、Ghidra/IDA 的真实能力接给 Agent,显著降低偏差。
- 流程规程化:根
SKILL.md不直接开跑,而是先识别阶段、检查材料与 MCP 是否满足、返回标准输入模板(target_dir、output_dir、mcp、traffic_source),再路由到对应阶段 Agent;输出目录按 step1–step6 组织,后续阶段默认继承路径与中间产物。 - 阶段分工:
1. APK 静态侦察:Manifest/组件、技术栈、硬编码密钥/Token/内网 IP、Root/Frida/代理/SSL Pinning 检测。
2. 流量与代码对齐:抓包、接口聚类、定位
sign/encryptData/token的 Java 构造逻辑。 3. SO/JNI 深度分析:JNI_OnLoad→RegisterNatives映射表,定位 native 符号与偏移,识别标准/魔改算法、Key/IV/Salt 流向。 4. 弱加密与高风险漏洞筛查:密码学误用、越权/重放/并发/参数篡改、WebView/组件暴露。 5. 最小验证 POC:无害化、最小字段变更、可复现脚本。 6. 报告汇总:风险定级、证据、复现步骤、修复建议。 - 本地探针高覆盖:
endpoint_extractor.py(URL/路由/敏感字段)、secret_scanner.py(密钥/Token/证书/云凭证)、native_bridge_indexer.py(JNI/JSBridge/native crypto)、env_guard_indexer.py(Root/代理/Pinning)、resolve_native_target.py(交叉推演 JNI 与流量,自动收敛优先 SO)、ghidra_target_loader.py(自动导入 SO 并唤醒 Ghidra MCP)。 - 为什么有效:结构化产物(
raw_endpoint.json、traffic_alignment.json、jni_analysis.json等)让下一阶段不必重复理解上下文;阶段 Agent 的输入输出约束减少跑题;本地脚本负责“盲扫覆盖率”,模型负责“理解、联动、归纳”。 - 边界:重加固、强混淆、强环境绑定和高度依赖业务理解的逻辑漏洞仍需人工;MCP 权限过大或自动执行 POC 会带来新风险。
触发条件
- 已有 APK 解包产物与反编译源码(jadx/apktool),并配置好对应 MCP server(jadx-mcp、burp-mcp/yak_mcp、ghidra-mcp/ida-mcp)。
- 使用支持 Skills/MCP 的 Agent 运行时(Codex、Cursor、Claude Code 等)。
- 自动串联模式还需要:已完成抓包(或可绕过检测抓包)、MCP 已挂载、目标明确。
- 仅限授权测试;POC 阶段需遵守无害化原则,不直接指向生产。
利用步骤
- 在根
SKILL.md中选择阶段并填写标准输入模板(如 step 2:target_dir、output_dir、mcp: burp、traffic_source)。 - Phase 1:运行 4 个索引脚本,产出资产台账、敏感清单、环境对抗结论与 JNI/加密入口候选。
- Phase 2:通过 Burp/Yakit MCP 读取抓包历史,完成接口聚类与
sign/encryptData字段到 Java 代码的映射。 - Phase 3:用
resolve_native_target.py收敛目标 SO,ghidra_target_loader.py自动导入 Ghidra,沿JNI_OnLoad/RegisterNatives还原 native 符号与算法。 - Phase 4:整合前序 JSON,做弱加密、业务逻辑、客户端配置的全链路审计,输出
vuln_analysis.json/risk_matrix.json。 - Phase 5:为已确认漏洞生成最小、无害的验证脚本与复现步骤。
- Phase 6:汇总
security_report.md、findings.json与附录明细,完成定级与修复建议。
PoC
ai-mobile-reverse-skills/
├── SKILL.md # 总控:阶段路由、输入模板、执行规则
├── agents/
│ ├── agent-01-sample-recon.md
│ ├── agent-02-protocol-mapper.md
│ ├── agent-03-crypto-native-analyzer.md
│ ├── agent-04-crypto-vuln-analyzer.md
│ ├── agent-05-validation-designer.md
│ └── agent-06-reporter.md
├── docs/MCP-INTEGRATION.md
├── templates/{mobile-reverse-report-template.md,repro-steps-template.md}
└── tools/scripts/{endpoint_extractor.py,secret_scanner.py,native_bridge_indexer.py,
env_guard_indexer.py,resolve_native_target.py,ghidra_target_loader.py}
# 总控输入模板示例
step: 2
target_dir: /path/to/decompiled
target_dir: /path/to/apk_unpacked
output_dir: /path/to/output
mcp: burp
traffic_source: none, 调用mcp,分析带有 xxx 的数据包
# 阶段产物继承示例
step1 -> endpoints.json / secrets.json / env_guard.json
step2 -> api_endpoints.json / protocol_map.json / traffic_alignment.json
step3 -> crypto_native_analysis.json / jni_analysis.json
step4 -> vuln_analysis.json / risk_matrix.json / secrets_report.json / jsbridge_analysis.json
step5 -> validation_cases.json / poc_scripts_index.json / repro_steps.md
step6 -> security_report.md / findings.json / 附录明细
变体与关联
- 执行模式:逐阶段步进(每阶段人工复核 JSON 产物,适合复杂加固);自动串联(链路 A:Phase 1→2→…→6;链路 B:Phase 4→5→6;链路 C:材料齐备时 1→6 一键)。
- MCP 替换:Jadx-MCP 可换本地目录;Burp MCP 可换 Yakit MCP;Ghidra MCP 可换 IDA MCP。
- 探针扩展:把
endpoint_extractor/secret_scanner换成其他规则库,或增加 Flutter/Unity/小程序专用索引器。 - 同类 AI 安全工作流卡:[[ai-security-agent-security-ai-pentest-evidence-driven-pipeline]]、[[ai-security-agent-security-ctf-agent-prompt-pack-runtime-routing]]。
- 本流程在案例中实际发现的高危问题(硬编码云存储密钥/支付私钥、客户端 MD5 签名可重签、WebView file 协议跨域)见相关移动卡。
检测与防御
- 防守方视角:AI + MCP 显著降低逆向与漏洞发现成本,客户端不应把密钥、支付私钥、云存储凭据硬编码;签名必须服务端可控(HMAC/nonce/过期校验);WebView 禁止 file 协议跨域。
- Agent 运营方:MCP 只授予必要工具与最小权限;自动执行 POC 前必须人工确认;对 AI 输出做语法/证据/外部情报交叉验证,防止幻觉。
- 审计:保留每阶段的 JSON 产物与原始证据(代码行号、请求/响应),确保结论可复核、可交接。