‏AgentHound؛ بلادهاند برای زیرساخت ایجنت‌های هوش مصنوعی

به گفته‌ی سازنده، AgentHound یه فریمورک تهاجمیِ متن‌باز (با لایسنس Apache-2.0) برای ارزیابی امنیت زیرساخت ایجنت‌های هوش مصنوعیه. ایده‌ی اصلیش اینه که یه مهاجم واقعی چطور می‌تونه از کل «استک ایجنتی» سوءاستفاده کنه؛ برای همین یه engagement کامل رو اجرا می‌کنه: شناسایی (recon)، انگشت‌نگاریِ سرویس‌ها، جمع‌آوری شواهد اعتبارنامه و در نهایت اثبات مسیرهای حمله.

چیزی که این ابزار رو جالب می‌کنه نگاه گرافیشه. همه‌ی حقایقی که از لایه‌های مختلف مثل MCP، A2A، LiteLLM، Ollama، Qdrant، MLflow و Jupyter جمع می‌شن، تو یه گراف Neo4j با هم ادغام می‌شن. بعد ۱۵ پردازشگر روی این گراف مسیرهایی رو حساب می‌کنن که تو هیچ فایل کانفیگی مستقیم دیده نمی‌شن؛ مثل زنجیره‌های اعتبارنامه، pivotهای بین‌پروتکلی و مسیرهای نشت داده.

به گفته‌ی مقاله، به‌جای اینکه فقط یه لیست از یافته‌ها بده، لبه‌های گرافی مثل CAN_REACH، CAN_EXECUTE و CAN_EXFILTRATE_VIA می‌سازه که می‌شه دنبالشون کرد و ازشون query گرفت. این‌طوری تیم قرمز یا مدافع می‌تونه بفهمه یه ایجنت واقعاً به چی دسترسی داره، کجا می‌تونه به اجرای فرمان برسه و از کجا داده می‌تونه از محیط بیرون بره.

نکته‌ی مهم اینه که این ابزار ماژول‌های فعال و مخرب هم داره (مثل poison و implant برای persistence)، ولی سازنده تأکید می‌کنه فقط باید روی زیرساختی اجرا بشه که مالکشی یا مجوز کتبی برای ارزیابیش داری. عملیات مخرب به‌صورت پیش‌فرض dry-run هستن و بدون فلگ commit چیزی رو تغییر نمی‌دن، هر تغییری هم مسیر بازگردانی داره. خودشون می‌گن این یه C2 یا implant مخفی‌کار نیست، بلکه یه ابزار شفاف برای ارزیابیِ مجازه.

نکات کلیدی:

• AgentHound یه فریمورک امنیتی تهاجمی متن‌باز برای زیرساخت ایجنت‌های هوش مصنوعیه.
• کل استک (MCP، A2A، گیت‌وی مدل، inference، vector store، MLOps) رو یه هدف واحد می‌بینه.
• همه‌ی داده‌ها رو تو یه گراف Neo4j ادغام می‌کنه و مسیرهای حمله رو با query نشون می‌ده.
• عملیات مخرب پیش‌فرض dry-run هستن و فقط با مجوز باید استفاده بشن.