知识卡片：VEXAIoT：利用AI智能体自动挖掘IoT漏洞

一句话结论
VEXAIoT 是一个基于大语言模型（LLM）的多智能体框架，可在受控 IoT 环境中实现最高 100% 的攻击成功率，平均执行时间低于 2 分钟，展示了 LLM 智能体在 IoT 漏洞自动化利用方面的巨大潜力。

事件概述/研究问题
IoT 系统因硬件受限、固件过时和不安全的默认配置而天生脆弱，亟需可扩展、自适应的安全测试方法。现有 LLM 智能体在渗透测试和 CTF 比赛中已展现潜力，但尚未用于 IoT 特定漏洞的发现与利用。本文提出 VEXAIoT，旨在填补这一空白。

方法/产品要点

• 多智能体架构：包含一个漏洞检测智能体（Vulnerability Detection Agent）和一个攻击执行智能体（Attack Execution Agent）。
• 工作流程：执行侦察（reconnaissance）、规划攻击序列、针对易受攻击的 IoT 服务实施利用。
• 评估环境：IoTGoat 和 Metasploitable2，覆盖 10 个映射到 OWASP IoT 漏洞的攻击场景。
• 底层技术：基于 LLM 推理与进攻性安全工具（待核实具体模型/工具名称）。

主要结果或产业意义

• 在 260 次攻击执行中，总体成功率 95.0%（IoTGoat: 94.5%，Metasploitable2: 96.7%）。
• 部分攻击场景达到 100% 成功率。
• 多数攻击平均执行时间 低于 2 分钟，且令牌开销低。
• 意义：首次验证 LLM 驱动的多智能体可自动化 IoT 漏洞评估与进攻性安全流程（受控环境），为安全测试规模化提供新路径。

为什么重要

• 已有卡片涉及 SkillCenter（技能库）和 AI 自我改进分类法，但未关注 IoT 安全自动化。本卡片提供了 LLM 智能体在IoT 漏洞利用这一垂直领域的实证，展示了高成功率与低时耗，具有较强的应用指向性。
• 延续了“LLM 智能体用于攻防”这一脉络，但将场景从传统网络/CTF 扩展至IoT 特有脆弱性（如 OWASP IoT 映射），增量信息明确。

局限与不确定性

• 实验仅在受控测试环境（IoTGoat、Metasploitable2）中进行，未涉及真实 IoT 设备或复杂网络拓扑。
• 未说明使用的 LLM 具体版本/参数量，可能影响可复现性。
• 攻击场景数量有限（10 个），尚需覆盖更多 OWASP IoT 漏洞类型。
• 未讨论对抗性防御或误报率等安全评估指标。

可用于图书/PPT/简报的角度

• 插图：展示 VEXAIoT 双智能体流程图（检测→规划→执行）。
• 数据对比：不同攻击场景的成功率柱状图 + 平均执行时间。
• 讨论：LLM 智能体在工业 IoT 安全测试中的自动化前景与风险。
• 延伸：对比传统模糊测试/手动渗透测试与 VEXAIoT 的效率和覆盖率。

原始材料

• 标题：VEXAIoT: Autonomous IoT Vulnerability EXploitation using AI Agents
• 英文关键词：IoT vulnerability, LLM agents, multi-agent framework, OWASP IoT, autonomous exploitation
• 来源：arXiv:2607.09653v1, 2026-07-10, cs.CR / cs.AI
• URL: https://arxiv.org/abs/2607.09653v1