Translated ['src/AI/AI-Assisted-Fuzzing-and-Vulnerability-Discovery.md',

src/AI/AI-Assisted-Fuzzing-and-Vulnerability-Discovery.md

@@ -0,0 +1,147 @@
+# AI-Assisted Fuzzing & Automated Vulnerability Discovery
+
+{{#include ../banners/hacktricks-training.md}}
+
+## Pregled
+Veliki jezički modeli (LLM) mogu značajno poboljšati tradicionalne procese istraživanja ranjivosti generisanjem semantički bogatih ulaza, razvijanjem gramatika, razmišljanjem o podacima o padovima, pa čak i predlaganjem zakrpa za više grešaka. Ova stranica prikuplja najučinkovitije obrasce zabeležene tokom DARPA-ine AI Cyber Challenge (AIxCC) finala i drugih javnih istraživanja.
+
+Ono što sledi nije opis jednog specifičnog takmičenja, već apstrakcija tehnika kako biste ih mogli reprodukovati u svojim radnim tokovima.
+
+---
+
+## 1. LLM-Generisani Početni Ulazi
+
+Tradicionalni fuzzers vođeni pokrivenošću (AFL++, libFuzzer, Honggfuzz…) počinju sa malim korpusom semena i slepo mutiraju bajtove. Kada je ciljni format ulaza složen (SQL, URL-ovi, prilagođeni binarni protokoli), nasumične mutacije obično kvare sintaksu pre nego što se dođe do zanimljivih grana.
+
+LLM-ovi mogu rešiti ovaj problem pokretanja emitovanjem *generatora semena* – kratkih skripti koje proizvode **sintaktički ispravne, ali bezbednosno relevantne ulaze**. Na primer:
+```prompt
+SYSTEM: You are a helpful security engineer.
+USER:
+Write a Python3 program that prints 200 unique SQL injection strings targeting common anti-pattern mistakes (missing quotes, numeric context, stacked queries).  Ensure length ≤ 256 bytes / string so they survive common length limits.
+```
+
+```python
+# gen_sqli_seeds.py (truncated)
+PAYLOADS = [
+"1 OR 1=1 -- ",
+"' UNION SELECT NULL,NULL--",
+"0; DROP TABLE users;--",
+...
+]
+for p in PAYLOADS:
+print(p)
+```
+Pokrenite jednom i direktno unesite izlaz u početni korpus fuzera:
+```bash
+python3 gen_sqli_seeds.py > seeds.txt
+afl-fuzz -i seeds.txt -o findings/ -- ./target @@
+```
+Benefits:
+1. Semantička validnost → dublje pokrivanje rano.
+2. Ponovno generisanje: prilagodite prompt da se fokusira na XSS, prolazak kroz putanju, binarne blobove, itd.
+3. Jeftino (< 1 ¢ sa GPT-3.5).
+
+### Tips
+* Uputite model da *diverzifikuje* dužinu i kodiranje payload-a (UTF-8, URL-encoded, UTF-16-LE) kako bi zaobišao površinske filtre.
+* Zatražite *jedan samostalni skript* – izbegava probleme sa JSON formatiranjem.
+
+---
+
+## 2. Fuzzing sa evolucijom gramatike
+
+Moćnija varijanta je da se LLM **evoluira gramatiku** umesto konkretnih semena. Tok rada (“Grammar Guy” obrazac) je:
+
+1. Generišite inicijalnu ANTLR/Peach/LibFuzzer gramatiku putem prompta.
+2. Fuzzujte N minuta i prikupite metrike pokrivenosti (ivice / blokovi pogođeni).
+3. Sažmite neotkrivene oblasti programa i vratite sažetak u model:
+```prompt
+Prethodna gramatika je aktivirala 12 % ivica programa. Funkcije koje nisu dostignute: parse_auth, handle_upload. Dodajte / izmenite pravila da pokrijete ovo.
+```
+4. Spojite nova pravila, ponovo fuzzujte, ponavljajte.
+
+Pseudo-kod kostur:
+```python
+for epoch in range(MAX_EPOCHS):
+grammar = llm.refine(grammar, feedback=coverage_stats)
+save(grammar, f"grammar_{epoch}.txt")
+coverage_stats = run_fuzzer(grammar)
+```
+Ključne tačke:
+* Držite *budžet* – svaka dorada koristi tokene.
+* Koristite `diff` + `patch` uputstva tako da model uređuje umesto da prepisuje.
+* Prestanite kada Δcoverage < ε.
+
+---
+
+## 3. Generisanje PoV-a (Eksploatacija) zasnovano na agentima
+
+Nakon što se pronađe greška, još uvek vam je potreban **dokaz o ranjivosti (PoV)** koji deterministički izaziva.
+
+Skalabilan pristup je pokretanje *hiljada* lakih agenata (<process/thread/container/prisoner>), svaki pokreće različiti LLM (GPT-4, Claude, Mixtral) ili podešavanje temperature.
+
+Pipeline:
+1. Statistička/dinamička analiza proizvodi *kandidate za greške* (struktura sa PC greške, ulaznim delom, porukom sanitizatora).
+2. Orkestrator distribuira kandidate agentima.
+3. Koraci razmišljanja agenta:
+a. Ponovno reprodukovanje greške lokalno sa `gdb` + ulaz.
+b. Predložite minimalni eksploatacijski payload.
+c. Validirajte eksploataciju u sandbox-u. Ako uspe → pošaljite.
+4. Neuspešni pokušaji se **ponovo stavljaju u red kao novi semena** za pokrivenost fuzzing-a (feedback loop).
+
+Prednosti:
+* Paralelizacija skriva nepouzdanost pojedinačnih agenata.
+* Automatsko podešavanje temperature / veličine modela na osnovu posmatrane stope uspeha.
+
+---
+
+## 4. Usmereno Fuzzing sa Fino Podešenim Kod Modelima
+
+Fino podešavanje modela otvorenih težina (npr. Llama-7B) na C/C++ izvoru označenom sa obrascima ranjivosti (prelivanje celog broja, kopiranje bafera, format string). Zatim:
+
+1. Pokrenite statičku analizu da dobijete listu funkcija + AST.
+2. Upitite model: *“Dajte unose rečnika mutacija koji verovatno krše bezbednost memorije u funkciji X”*.
+3. Umetnite te tokene u prilagođeni `AFL_CUSTOM_MUTATOR`.
+
+Primer izlaza za `sprintf` omotač:
+```
+{"pattern":"%99999999s"}
+{"pattern":"AAAAAAAA....<1024>....%n"}
+```
+Empirijski, ovo smanjuje vreme do pada za više od 2× na stvarnim ciljevima.
+
+---
+
+## 5. AI-Guided Patching Strategies
+
+### 5.1 Super Patches
+Zatražite od modela da *grupiše* potpise pada i predloži **jedan zakrpu** koja uklanja zajednički uzrok. Pošaljite jednom, ispravite nekoliko grešaka → manje kazni za tačnost u okruženjima gde svaka pogrešna zakrpa košta poene.
+
+Prompt outline:
+```
+Here are 10 stack traces + file snippets.  Identify the shared mistake and generate a unified diff fixing all occurrences.
+```
+### 5.2 Spekulativni odnos zakrpa
+Implementirati red u kojem su potvrđene zakrpe validirane PoV-om i *spekulativne* zakrpe (bez PoV-a) međusobno isprepletene u odnosu 1:​N podešenom prema pravilima bodovanja (npr. 2 spekulativne : 1 potvrđena). Model troškova prati kazne u odnosu na poene i automatski podešava N.
+
+---
+
+## Spajanje svega
+Krajnji CRS (Sistem kibernetičkog rezonovanja) može povezati komponente na sledeći način:
+```mermaid
+graph TD
+subgraph Discovery
+A[LLM Seed/Grammar Gen] --> B[Fuzzer]
+C[Fine-Tuned Model Dicts] --> B
+end
+B --> D[Crash DB]
+D --> E[Agent PoV Gen]
+E -->|valid PoV| PatchQueue
+D -->|cluster| F[LLM Super-Patch]
+PatchQueue --> G[Patch Submitter]
+```
+---
+
+## References
+* [Trail of Bits – AIxCC finals: Tale of the tape](https://blog.trailofbits.com/2025/08/07/aixcc-finals-tale-of-the-tape/)
+* [CTF Radiooo AIxCC finalist interviews](https://www.youtube.com/@ctfradiooo)
+{{#include ../banners/hacktricks-training.md}}

src/AI/README.md

@@ -24,13 +24,13 @@ Najbolja polazna tačka za učenje o AI je razumevanje kako glavni algoritmi ma
 
 ### Arhitektura LLM-ova
 
-Na sledećoj stranici ćete pronaći osnove svakog komponente za izgradnju osnovnog LLM koristeći transformere:
+Na sledećoj stranici naći ćete osnove svakog komponente za izgradnju osnovnog LLM koristeći transformere:
 
 {{#ref}}
 AI-llm-architecture/README.md
 {{#endref}}
 
-## Bezbednost AI
+## AI Bezbednost
 
 ### Okviri Rizika AI
 
@@ -64,4 +64,10 @@ MCP (Protokol Konteksta Modela) je protokol koji omogućava AI agent klijentima
 AI-MCP-Servers.md
 {{#endref}}
 
+### AI-Pomoćno Fuzzing i Automatizovano Otkriće Ranljivosti
+
+{{#ref}}
+AI-Assisted-Fuzzing-and-Vulnerability-Discovery.md
+{{#endref}}
+
 {{#include ../banners/hacktricks-training.md}}

src/SUMMARY.md

@@ -825,6 +825,7 @@
 
 # 🤖 AI
 - [AI Security](AI/README.md)
+  - [Ai Assisted Fuzzing And Vulnerability Discovery](AI/AI-Assisted-Fuzzing-and-Vulnerability-Discovery.md)
   - [AI Security Methodology](AI/AI-Deep-Learning.md)
   - [AI MCP Security](AI/AI-MCP-Servers.md)
   - [AI Model Data Preparation](AI/AI-Model-Data-Preparation-and-Evaluation.md)