BinSentry 自研二进制哨兵调试引擎架构

微软技术分享 微软技术分享 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年,写一次发全网 我也要 + 加入社区

BinSentry(二进制哨兵)由 LYSHARK 独立自研,是面向 Windows 平台的二进制动态调试引擎。项目主框架从零手写,C++ 代码量约 3.5 万行,配套 AI Agent 专家协同框架(开发中),内置超过 300 种调试方法。原生采用 CMD 命令行 + HTTP 服务架构,从底层设计就是为 AI Agent 量身打造。

BinSentry 支持部署在任意虚拟机沙箱环境,可对接 JEV 等主流大模型;结合自研玄鉴大模型 LLM,能够搭建大规模动态逆向分析集群。依托大模型对样本分析的反馈持续迭代训练模型,不断提升二进制分析智能化水平。

img

技术公式:HTTP服务器 + JSON调试服务 + 沙箱集群 + AI Agent + 集群调度算法 + 玄鉴自研大模型 LLM = 智能化逆向分析利器

自研沙箱: 每一个沙箱内部均运行有哨兵程序以及未来的PE尖刀,模糊测试等功能集,沙箱内部自动完成部署集开机自启动功能。

负载均衡器: 自研负载均衡器,负责对Agent下发的任务进行均衡处理,管理回话,每次路由均路由至特定的主机上。

负载均衡能力

  • 管理任务执行情况
  • 管理后端的哨兵集群运行状态
  • 增加新的节点,删除一个节点
  • 文件的上传下载
  • 对集群中的容器做心跳检测
  • 对集群中的虚拟机进行故障恢复

AI Agent网关: 自研网关负责对智能体进行动态智能化调度,动态选择不同的专家智能体来完成不同的任务,子智能体专门来负责对复杂任务或大量的文本任务进行清洗及后处理工作,并返回最终结果给智能体。

BinSentry 哨兵:

引擎启动后后台运行,默认监听 6891 端口,支持配置开机自启。

image

image

image

image

图标取用:

image

image

产品定位:Agent Debugger / DaaS(调试即服务 Debugger-as-a-Service)

BinSentry 属于首款 Agent Debugger 产品,提出调试即服务(Debugger-as-a-Service, DaaS)模式。
传统逆向工具如 OllyDbg、x64Dbg 以人操作为核心:人操作 GUI、键盘下断点、人工观察 CPU 窗口与寄存器,手动整理分析结果。

而 Agent Debugger 模式转变了交互主体:

维度ollydbg/x64dbgAgent Debugger
用户人LLM / Agent
交互键盘/GUIJSON / MsgPack / stdio / MCP
状态界面状态结构化上下文
断点人下Agent 按计划下
输出画 CPU 窗口返回 token 友好结果
目标分析程序让模型“推理程序”

由 LLM/AI Agent 作为操作主体,通过 JSON、MsgPack、stdio、MCP 结构化协议与调试引擎通信;Agent 根据分析策略自动设置断点、采集程序运行上下文,把底层调试状态转化为大模型可读的结构化信息,输出模型友好的 Token 结果,让大模型具备直接推理二进制程序行为的能力。

沙箱隔离提供恶意样本安全调试能力;JSON 结构化接口打通调试引擎与大模型之间的数据交互;AI Agent 引入多专家协同机制,大幅加速二进制样本分析流程。

适用场景

  • 二进制逆向分析
  • 木马、恶意样本深度分析
  • 软件漏洞挖掘
  • 二进制数字取证
  • 漏洞利用研究

将逆向工程师从大量重复、繁杂的动态调试操作中解放。项目为全自研知识产权,完全免费开源,后续将会正式发布。

调用调试引擎可以安装pip install binsentry功能,并使用如下代码激活。

from BinSentry import *

if __name__ == "__main__":
    # 先创建配置对象, 自由指定 IP 与端口
    config = Config(address="127.0.0.1", port=6891)

    # 把 config 传入客户端
    client = BinSentryClient(config=config)

    # 使用
    print("连接:", client.config.server_addr)
    print(client.status())

绑定密钥对

from __init__ import BinSentryClient, Config

c = BinSentryClient(config=Config(api_key="45d3552b12b12cdf2c831344311cf81e"))
print(c.status())

在postman中配置

进入 Headers 标签页,添加 2 个键值对:

KeyValue
Content-Typeapplication/json
X-API-Key这里填你的 api_key(代码里的DEFAULT_API_KEY)

45d3552b12b12cdf2c831344311cf81e

image

image

...全文

相关推荐

产业园区如何提升科技企业技术需求匹配精准度?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

BIZKEEN

Redis集群部署+Redis 链接地址放入Aollo +c#项目接入Redis

Redis集群部署+Redis 链接地址放入Aollo +c#项目接入Redis

will_net

cover_1793582495122.png

cover_1793582495122.png

2601_97129411

国央企创新负责人如何高效配置分散的科技创新资源?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

BIZKEEN

【新能源预测】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行光伏电站超短期功率预

内容概要:本文提出一种结合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的混合模型,用于提升光伏电站超短期功率预测精度。通过GWO优化VMD的关键参数(模态数与惩罚因子),实现对非平稳功率序列的自适应多尺度分解,分离趋势、波动与噪声成分;各模态分量经归一化后,利用SSA优化LSTM网络的超参数(如隐藏单元数、学习率等),提升模型拟合与泛化能力;最后对各模态预测结果重构并评估。模型在MATLAB中实现,包含完整数据清洗、特征构造、参数寻优、训练预测与多指标评价流程,强调工程可维护性与抗数据泄漏能力。; 适合人群:具备一定机器学习与时间序列分析基础,熟悉MATLAB编程,从事新能源预测、智能电网、电力系统调度等相关领域的科研人员与工程技术人员,尤其适合有1-3年项目经验的研发人员; 使用场景及目标:①应对多云、快速辐照变化等复杂天气下的光伏功率剧烈波动,提升超短期(15分钟至4小时)预测精度;②构建可适应不同季节、地域和电站类型的自适应多尺度预测体系;③支撑电网调度、储能协同控制与爬坡事件预警,提升新能源消纳能力与系统稳定性; 阅读建议:此资源以实际MATLAB代码为基础,建议读者结合文中示例逐步复现模型流程,重点关注GWO与SSA在双层优化中的分工、VMD分解的质量控制、时间序列样本构造的防泄漏设计以及多模态预测重构策略,调试过程中注意参数边界设置与随机种子固定,以确保结果可重复。

nantangyuxi
评论
收藏 已收藏
分享
返回顶部
微软技术分享
微软技术分享 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域领域专家: 操作系统技术领域 领域专家: 操作系统技术领域
微软技术社区 8,624 成员 37,311 内容