Autonomous Cyber Red Team

自主网络红队 MCP 服务

在 ApifyForge 上查看 | 在 Apify Store 上使用

---

快速开始

添加到你的 MCP 客户端（Claude Desktop、Cursor、Windsurf）：

{
  "mcpServers": {
    "autonomous-cyber-red-team-mcp": {
      "url": "https://ryanclinton--autonomous-cyber-red-team-mcp.apify.actor/mcp"
    }
  }
}

---

面向 AI Agent 的自主网络红队情报——此 MCP 服务让 Claude、GPT-4o 以及任何兼容 MCP 的 Agent 都能运行定量攻击模拟、合成漏洞利用链、预测漏洞出现情况，并使用八种经过严格实现的数学框架对攻击者行为建模。它专为安全工程师、威胁分析师和 AI Agent 打造，只需一次工具调用，即可获得结构化、可复现的网络风险情报。

该服务并行汇总来自 15 个网络安全来源的实时数据——NVD、CISA KEV、Censys、DNS、SSL 透明度日志、WHOIS、GitHub、StackExchange、Hacker News、OFAC、OpenSanctions、IP 地理定位、技术栈检测、网站监控和 FRED 经济数据——构建加权攻击图，然后应用博弈论、随机过程和极值理论中的算法，生成远超关键词搜索或 CVSS 评分查询的定量结果。

可以访问哪些数据？

数据点	来源	示例
📋 包含 CVSS 基础评分和 CWE 分类的 CVE 记录	NVD CVE Search	CVE-2021-44228，CVSS 10.0（Log4Shell）
🚨 已知遭利用的漏洞及 CISA 修复期限	CISA KEV Catalog	1,000 多个正在遭利用的 CVE
🌐 暴露的主机、开放端口和服务横幅	Censys Search	443/tcp nginx 1.18.0，证书 CN=*.target.com
🔍 DNS 记录枚举（A、AAAA、MX、TXT、CNAME、NS）	DNS Lookup	mail.acmecorp.com → 203.0.113.42
🔒 SSL/TLS 证书和透明度日志条目	SSL Certificate Search	*.acmecorp.com，SAN=admin.acmecorp.com
📝 域名注册数据、注册商和到期时间	WHOIS Lookup	2008 年注册，2026 年到期，GoDaddy
📍 IP 到 ASN 的映射，包含国家和 ISP	IP Geolocation	AS14618 Amazon，us-east-1
🛠️ 从 HTTP 标头和 HTML 中识别出的技术栈	Tech Stack Detector	Apache 2.4.51、PHP 7.4、WordPress 5.8
💻 概念验证漏洞利用仓库和安全工具	GitHub Repo Search	CVE-2021-44228 POC，3.2K 星
💬 安全社区问答和技术讨论	StackExchange (Security.SE)	“Pass-the-Hash 在 AD 上如何运作？”
📰 漏洞披露和安全新闻	Hacker News Search	“OpenSSL 出现新的零日漏洞——立即打补丁”
🏛️ 美国财政部 OFAC 特别指定国民名单	OFAC Sanctions Search	威胁行为者实体筛查
🌍 多司法管辖区制裁名单和观察名单	OpenSanctions Search	100 多个计划，欧盟、联合国、国际刑警组织
📡 安全公告和政策页面变更	Website Change Monitor	CISA 公告页面差异
💰 网络安全市场支出和网络保险指数	FRED Economic Data	美国网络安全 GDP 构成部分

MCP 工具

工具	价格	算法	适用场景
simulate_attack_defense_posg	$0.045	通过 HSVI2 基于点的值迭代求解 POSG，并进行 alpha 向量剪枝	求解最优攻击者／防御者策略，计算博弈值
synthesize_exploit_chains	$0.040	AND-OR 图 A* 算法，使用 CVSS 可采纳启发式 h(n) = 路径上的最高 CVSS	发现多步骤攻击路径，确定修复优先级
predict_vulnerability_emergence	$0.035	使用幂律核的 Hawkes 自激过程，采用稀疏化模拟	预测未来 30/90 天的 CVE，规划补丁周期
optimize_defender_allocation	$0.040	Colonel Blotto 博弈，通过虚构博弈求解纳什均衡	分配安全预算，消除被支配策略
model_adaptive_adversary	$0.035	Exp3 多臂老虎机，采用重要性加权奖励更新	预测 APT 技术，规划主动防御
compute_lateral_movement_risk	$0.035	吸收马尔可夫链，基本矩阵 N=(I-Q)^-1，流行病阈值	评估网络传播风险，验证网络分段
assess_zero_day_tail_risk	$0.035	GPD 极值理论，概率加权矩	量化 VaR/CVaR，为网络保险定价
forecast_threat_landscape_evolution	$0.030	复制者动态 dx_i/dt = x_i(f_i − φ)，识别 ESS	制定长期威胁策略，将威胁分类为 EMERGING／DECLINING

为什么使用 Autonomous Cyber Red Team MCP？

手动开展威胁评估的安全团队，需要花费数小时关联 CVE 数据源、在白板上绘制攻击路径，并估算预算分配。咨询公司一次红队测试收费 $15,000–50,000，却只覆盖一小部分攻击面，而且结果往往几周内就会过时。

此 MCP 服务可自动完成这项工作的定量分析部分。AI Agent 调用一个工具后，服务会并行访问 15 个数据源，构建实时攻击图，并在 60–180 秒内返回有数学依据的结果——包括博弈值、概率分布、预计失陷步骤数和尾部风险估算。

在 Apify 平台上运行的优势：

• 定时运行 — 按 cron 计划每周运行威胁态势预测，跟踪风险状况随时间的变化
• API 访问 — 通过 Apify API 将工具输出直接集成到 SIEM、SOAR 或自定义仪表板
• 支出限额 — 为每个会话设置最高积分支出，确保 AI Agent 不会超出成本预算
• Webhook — 当漏洞激增概率超过阈值时，向 Slack 或 PagerDuty 触发告警
• 无需基础设施 — MCP 服务以 Apify 待机模式运行，无需自托管基础设施

功能

• 8 种不同的数学框架——POSG、AND-OR A*、Hawkes 过程、Colonel Blotto、Exp3 多臂老虎机、吸收马尔可夫链、GPD 极值理论和复制子动力学，均使用 TypeScript 从第一性原理实现
• 并行查询 15 个实时数据源——每次工具调用都会同时查询 NVD、CISA KEV、Censys、DNS、SSL、WHOIS、IP 地理位置、技术栈、GitHub、StackExchange、Hacker News、OFAC、OpenSanctions、网站监控和 FRED
• 根据异构输入构建攻击图——buildAttackGraph() 将全部 15 个数据源的输出规范化为统一的加权有向图，包含 VulnNode 和 AttackEdge 类型、按 CVSS 加权的边、AND/OR 前置条件标记和技术标签
• HSVI2 信念空间规划——simulateAttackDefensePOSG() 使用带 α 向量剪枝的基于点的值迭代，在信念单纯形上求解 NEXPTIME 完全的 POSG，并返回收敛的博弈值和信念状态策略
• 满足 CVSS 可采纳性的 A 启发式*——synthesizeExploitChains() 通过 h(n) = 剩余路径上的最大 CVSS 分数，确保找到成本最优的攻击路径；AND 节点要求满足所有前置条件，OR 节点只需满足任意一个
• 幂律 Hawkes 核——predictVulnerabilityEmergence() 使用 λ(t) = μ + Σ_i α(1 + (t−t_i)/c)^(−(1+ω)) 捕捉具有长记忆特征的 CVE 聚类；稀疏模拟可预测未来 30 天和 90 天的数量
• 虚拟博弈纳什均衡——optimizeDefenderAllocation() 在安全领域战场上运行 Colonel Blotto 博弈；每次迭代都会针对对手的经验分布采取最佳响应，直至收敛
• Exp3 重要性加权更新——modelAdaptiveAdversary() 应用 w_i(t+1) = w_i(t) × exp(η × r̂_i / K)，并使用最优 η = √(2 ln K / T)，跟踪对手会偏好的攻击技术
• Gauss-Jordan 基本矩阵——computeLateralMovementRisk() 使用完全主元法求逆 (I−Q)，计算 N = (I−Q)^-1，从而得出从每个暂态到吸收态的预期步数；流行病阈值 β_c = ⟨k⟩/⟨k²⟩ 决定是否会出现超临界传播
• 概率加权矩拟合 GPD——assessZeroDayTailRisk() 将广义帕累托分布拟合到超过阈值的 CVSS 分数，并返回 VaR(95%)、VaR(99%)、CVaR(95%)、CVaR(99%) 和重现期
• 带 ESS 检测的复制子动力学——forecastThreatLandscapeEvolution() 对 dx_i/dt = x_i(f_i − φ̄) 进行积分，并根据增长率和适应度将每种技术分类为 EMERGING、GROWING、MATURE 或 DECLINING；通过入侵抵抗性识别进化稳定策略
• 用于确保可复现性的带种子 PRNG——mulberry32 PRNG 使用由查询生成的种子，确保相同输入在不同运行中得到确定性输出
• 支出上限执行——每个工具都会调用 Actor.charge()，并在执行前检查 eventChargeLimitReached，遵守调用方设置的每会话预算上限

自主网络红队情报的用例

渗透测试准备

准备红队行动的安全工程师会使用 synthesize_exploit_chains，在测试开始前绘制目标环境的完整 AND-OR 攻击图。A* 搜索能发现人工测试人员可能遗漏的多步骤路径，例如从暴露的旧版 SSH 服务，经由配置错误的跳板主机进入域控制器的攻击链，并为每条路径提供总 CVSS 成本和预计执行时间。

安全预算分配与 CISO 报告

CISO 和安全总监会使用 optimize_defender_allocation 将威胁数据转化为资源分配建议。Colonel Blotto 的输出会显示哪些安全领域（边界、身份、端点、云、网络）相较于纳什均衡防护不足，并指出当前支出无法带来额外防护的劣势策略。

漏洞管理与补丁优先级排序

漏洞管理团队使用 predict_vulnerability_emergence，预测特定技术（Linux 内核、Apache、Windows Active Directory）未来 30 天和 90 天的 CVE 披露率。Hawkes 过程突发概率可识别可能发生聚集事件的时间，让团队能够在披露浪潮到来前预先调配修复资源。

网络保险承保与精算定价

承保人和精算师使用 assess_zero_day_tail_risk，量化投保人技术栈中漏洞的严重程度分布。基于 GPD 拟合的 VaR 和 CVaR 指标为最高损失估算和保费计算提供统计依据，取代依赖经验法则的网络风险评分。

APT 跟踪与威胁情报

威胁情报分析师使用 model_adaptive_adversary，建模已知 APT 组织（APT29、Lazarus、Sandworm）如何针对特定防御态势调整其技术选择。Exp3 多臂老虎机的输出会根据历史适应速度和估算奖励，预测未来行动中优先采用哪些 MITRE ATT&CK 技术。

战略安全规划

安全架构师和长期规划人员使用 forecast_threat_landscape_evolution，了解哪些攻击技术的演化适应度正在提升，哪些正在下降。复制子动力学可识别演化稳定策略——一旦占据主导地位，便难以被其他策略取代的技术——从而帮助团队投资防御未来的威胁态势，而非去年的威胁态势。

如何连接此 MCP 服务

第 1 步 — 获取 Apify API 令牌

在 apify.com 注册，并从「账户设置」中复制 API 令牌。免费套餐每月包含价值 $5 的额度。

第 2 步 — 添加到 MCP 客户端

Claude Desktop — 添加到 claude_desktop_config.json：

{
  "mcpServers": {
    "autonomous-cyber-red-team": {
      "url": "https://autonomous-cyber-red-team-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor / Windsurf / Cline — 在 MCP 服务设置中添加相同的 URL 和 Authorization 标头。

第 3 步 — 调用工具

向你的 Agent 提出请求：“为 apache log4j 企业网络合成漏洞利用链”，或“建模针对金融服务行业的 APT29 自适应对手”。Agent 会调用工具，服务会聚合 15 个数据源，并返回包含定量分析的结构化 JSON。

第 4 步 — 解读结果

每个工具都会返回一个 JSON 对象，其中包含算法特定字段，以及 graphSummary，用于显示根据实时数据构建了多少节点和边。节点和边的数量越多，表明数据源提供的信号越丰富。

工具参数

全部 8 个工具都使用相同的两个输入参数：

参数	类型	必填	默认值	描述
query	string	是	—	目标领域、技术、威胁行为者或场景（例如“apache log4j 企业网络”、“APT29 民族国家攻击”、“勒索软件医疗保健行业”）
maxResults	number	否	30–50（因工具而异）	每个行为者最多获取的结果数。范围：5–100。较高的值可提高模型质量，但会增加响应时间。工具 3 和 7 的默认值为 50，以提高统计估算的准确性。

输入示例

针对特定 CVE 合成漏洞利用链：

{
  "query": "apache log4j CVE-2021-44228 corporate network",
  "maxResults": 30
}

使用大量数据进行 APT 对手建模：

{
  "query": "APT29 nation-state attack financial sector",
  "maxResults": 50
}

技术组合的零日漏洞尾部风险：

{
  "query": "linux kernel remote code execution",
  "maxResults": 50
}

快速预测威胁态势：

{
  "query": "ransomware healthcare sector",
  "maxResults": 20
}

输入提示

• 请明确查询内容 — “windows active directory pass-the-hash”比“windows security”生成的攻击图更有针对性。查询会传递到全部 15 个数据源，因此使用特定领域的术语可以提取出更多相关信号。
• 统计工具请提高 maxResults — predict_vulnerability_emergence 和 assess_zero_day_tail_risk 依赖样本量进行分布拟合。这两个工具的 maxResults 请设为 ≥ 50。
• 使用包含版本信息的技术名称 — 与“web server”相比，“Apache HTTP Server 2.4”会返回更精确的 CVE 和 Censys 数据。
• 组合使用工具以完成全面评估 — 对同一查询运行全部 8 个工具，即可全面了解攻击路径、防御资源分配、对手适应情况和尾部风险，每个目标总费用为 $0.295。

输出示例

simulate_attack_defense_posg 输出

{
  "gameValue": 0.623,
  "attackerValue": 0.741,
  "defenderValue": 0.259,
  "converged": true,
  "iterations": 847,
  "alphaVectorCount": 23,
  "optimalAttackPath": [
    "CVE-2021-44228-entry",
    "corp-jumphost-pivot",
    "ad-domain-controller-target"
  ],
  "optimalDefenseAllocation": {
    "perimeter": 0.38,
    "identity": 0.31,
    "endpoint": 0.18,
    "cloud": 0.13
  },
  "beliefStates": [
    { "state": "undetected", "probability": 0.67 },
    { "state": "partial-detection", "probability": 0.24 },
    { "state": "full-detection", "probability": 0.09 }
  ],
  "graphSummary": { "nodes": 47, "edges": 83 }
}

synthesize_exploit_chains 输出

{
  "attackSurfaceScore": 8.14,
  "chainCount": 12,
  "criticalPath": {
    "path": ["log4j-rce-entry", "lateral-smb-pivot", "lsass-dump-target", "dc-sync-exfil"],
    "totalCvss": 34.7,
    "probability": 0.43,
    "andNodes": ["lsass-dump-target"],
    "orNodes": ["log4j-rce-entry", "lateral-smb-pivot"],
    "techniques": ["T1190", "T1021.002", "T1003.001", "T1003.006"],
    "estimatedTime": 4.2
  },
  "averageChainLength": 3.8,
  "maxCvssChain": 34.7,
  "chains": [
    {
      "path": ["log4j-rce-entry", "lateral-smb-pivot", "lsass-dump-target", "dc-sync-exfil"],
      "totalCvss": 34.7,
      "probability": 0.43,
      "techniques": ["T1190", "T1021.002", "T1003.001", "T1003.006"],
      "estimatedTime": 4.2
    }
  ],
  "graphSummary": { "nodes": 47, "edges": 83 }
}

predict_vulnerability_emergence 输出

{
  "baselineIntensity": 0.032,
  "currentIntensity": 0.187,
  "hawkesParams": {
    "alpha": 0.71,
    "omega": 1.23,
    "c": 0.45
  },
  "predictedEvents30d": 8,
  "predictedEvents90d": 21,
  "burstProbability": 0.68,
  "criticalVulnForecast": 3,
  "clusterSizes": [2, 4, 3, 5, 2],
  "intensityTimeline": [
    { "t": 0, "lambda": 0.187 },
    { "t": 7, "lambda": 0.143 },
    { "t": 14, "lambda": 0.112 },
    { "t": 30, "lambda": 0.089 }
  ],
  "graphSummary": { "nodes": 61, "edges": 104 }
}

assess_zero_day_tail_risk 输出

{
  "gpdParameters": {
    "shape": 0.14,
    "scale": 1.82,
    "threshold": 7.0
  },
  "var95": 8.6,
  "var99": 9.4,
  "cvar95": 9.1,
  "cvar99": 9.7,
  "maxObserved": 10.0,
  "tailIndex": 0.14,
  "portfolioRisk": 0.83,
  "exceedanceProbabilities": [
    { "severity": 8.0, "probability": 0.31 },
    { "severity": 9.0, "probability": 0.12 },
    { "severity": 9.5, "probability": 0.04 }
  ],
  "returnPeriods": [
    { "severity": 9.0, "returnPeriodDays": 28 },
    { "severity": 9.5, "returnPeriodDays": 84 }
  ],
  "graphSummary": { "nodes": 58, "edges": 96 }
}

各工具的输出字段

simulate_attack_defense_posg

Field	Type	Description
gameValue	number	纳什均衡博弈值（0–1），数值越高表示攻击者越占优势
attackerValue	number	攻击者在最优策略下的预期效用
defenderValue	number	防御者在最优策略下的预期效用
converged	boolean	HSVI2 迭代是否在容差范围内收敛
iterations	number	基于点的值迭代周期数
alphaVectorCount	number	剪枝后保留的 Alpha 向量数
optimalAttackPath	string[]	最优攻击路径上的节点 ID
optimalDefenseAllocation	object	按安全领域划分的标准化预算分配
beliefStates	array	最优对局下的检测状态概率
graphSummary.nodes	number	构建的攻击图中的节点总数
graphSummary.edges	number	构建的攻击图中的边总数

synthesize_exploit_chains

Field	Type	Description
attackSurfaceScore	number	攻击面综合严重性评分
chainCount	number	发现的利用链总数
criticalPath	object	成本最低（CVSS 最高）的利用链
criticalPath.path	string[]	从入口点到目标的节点 ID
criticalPath.totalCvss	number	沿该链的 CVSS 分数总和
criticalPath.probability	number	估计的成功概率
criticalPath.andNodes	string[]	需要满足所有前置条件的节点（AND 逻辑）
criticalPath.orNodes	string[]	需要满足任一前置条件的节点（OR 逻辑）
criticalPath.techniques	string[]	MITRE ATT&CK 技术 ID
criticalPath.estimatedTime	number	估计的攻击执行时间（小时）
averageChainLength	number	所有利用链的平均步骤数
maxCvssChain	number	所有利用链的最高累积 CVSS 分数
chains	array	最多 10 条利用链，按 CVSS 成本排序

predict_vulnerability_emergence

Field	Type	Description
baselineIntensity	number	CVE 背景到达率 μ
currentIntensity	number	包含激发效应的当前强度 λ(t)
hawkesParams.alpha	number	激发幅度参数
hawkesParams.omega	number	幂律衰减指数
hawkesParams.c	number	幂律偏移参数
predictedEvents30d	number	未来 30 天预期的 CVE 数量
predictedEvents90d	number	未来 90 天预期的 CVE 数量
burstProbability	number	发生聚类突发事件的概率
criticalVulnForecast	number	预测的严重漏洞（CVSS ≥ 9.0）CVE 数量
clusterSizes	number[]	观测到的历史聚类大小
intensityTimeline	array	随时间变化的强度衰减曲线

optimize_defender_allocation

字段	类型	描述
defenderBudget	number	防御方资源单位数
attackerBudget	number	攻击方资源单位数
battlefields	array	各领域的分配和获胜概率
battlefields[].name	string	安全领域名称
battlefields[].defenderAlloc	number	分配的防御方单位数
battlefields[].attackerAlloc	number	分配的攻击方单位数
battlefields[].defenderWinProb	number	防御方在此战场上的获胜概率
nashEquilibrium	object	按领域划分的纳什均衡分配
defenderExpectedPayoff	number	纳什均衡下防御方的预期收益
attackerExpectedPayoff	number	纳什均衡下攻击方的预期收益
dominatedStrategies	string[]	通过迭代支配消除的策略
iterations	number	虚拟博弈收敛所需迭代次数

model_adaptive_adversary

字段	类型	描述
optimalArm	string	对手最终收敛到的攻击技术
predictedNextAction	string	预测的下一种攻击技术
adaptationSpeed	number	各轮权重集中的速率
regret	number	相对于最佳固定策略的累积后悔值
explorationRate	number	当前探索概率
rounds	number	Exp3 模拟轮数
arms	array	各技术的权重、概率、奖励和选择次数

compute_lateral_movement_risk

字段	类型	描述
epidemicThreshold	number	β_c = ⟨k⟩/⟨k²⟩，临界传播阈值
currentBeta	number	当前估计传播率
supercritical	boolean	若 currentBeta > epidemicThreshold，则为 True（入侵会扩散）
meanDegree	number	网络平均度 ⟨k⟩
meanSquareDegree	number	度的二阶矩 ⟨k²⟩
expectedSteps	object	从各起始节点入侵所需的预期步数
absorptionProbabilities	object	从各源节点到达各目标的概率
highRiskPaths	array	按入侵预期步数排列的前 10 条路径
fundamentalMatrixSize	number	N = (I-Q)^-1 的维度

assess_zero_day_tail_risk

字段	类型	描述
gpdParameters.shape	number	GPD 形状参数 ξ（尾部厚重程度）
gpdParameters.scale	number	GPD 尺度参数 σ
gpdParameters.threshold	number	超阈值 u
var95	number	95% 分位数下的 CVSS 风险价值
var99	number	99% 分位数下的 CVSS 风险价值
cvar95	number	95% 下的条件 VaR（预期损失）
cvar99	number	99% 下的条件 VaR（预期损失）
maxObserved	number	数据集中观测到的最高 CVSS 分数
tailIndex	number	尾部厚重程度指数（正值表示厚尾）
portfolioRisk	number	投资组合总体网络风险评分，范围为 0–1
exceedanceProbabilities	array	严重程度阈值处的 P(X > x)
returnPeriods	array	严重程度超限之间的预期天数

forecast_threat_landscape_evolution

字段	类型	描述
ess	string[]	演化稳定策略（抗入侵技术）
emergingThreats	string[]	被归类为 EMERGING 的技术
decliningThreats	string[]	被归类为 DECLINING 的技术
replicatorConvergence	number	复制子动态的收敛度量（0–1）
timeToEquilibrium	number	达到稳定分布的预计时间步数
landscapeEntropy	number	技术频率分布的香农熵
techniques	array	各技术的名称、频率、适应度、阶段和增长率

自主红队情报的费用是多少？

每个工具均采用按事件付费定价——只有成功启动工具调用时才需付费。价格因计算复杂度而异。

工具	每次调用价格	10 次调用	50 次调用
simulate_attack_defense_posg	$0.045	$0.45	$2.25
synthesize_exploit_chains	$0.040	$0.40	$2.00
predict_vulnerability_emergence	$0.035	$0.35	$1.75
optimize_defender_allocation	$0.040	$0.40	$2.00
model_adaptive_adversary	$0.035	$0.35	$1.75
compute_lateral_movement_risk	$0.035	$0.35	$1.75
assess_zero_day_tail_risk	$0.035	$0.35	$1.75
forecast_threat_landscape_evolution	$0.030	$0.30	$1.50
完整的 8 工具评估（一个目标）	$0.295	—	—

你可以在 MCP 客户端中或通过 Apify 内置的费用控制功能设置每个会话的最高支出限额。服务器会在执行每个工具前检查 eventChargeLimitReached，如果达到预算上限，则返回明确的错误。

Apify 的免费套餐包含每月 $5 的额度——足以免费完成 16 次完整的 8 工具评估。

与 Recorded Future 或 Mandiant Advantage 等商业威胁情报平台相比，这些平台每年收费 $30,000–150,000，提供分析师整理的情报源，却不具备定量建模功能。

Autonomous Cyber Red Team MCP 的工作原理

阶段 1 — 数据聚合（并行，60–150 秒）

每次工具调用都会通过 actor-client.ts 中的 runActorsParallel() 并行调度最多 15 次 Actor 调用。每个 Actor 都会收到用户查询以及单独设置的 maxResults 上限。180 秒的 Actor 超时设置可确保在组装攻击图之前完成并行分发。单个数据源发生故障时会妥善处理——该数据源会返回空数组，攻击图则根据其余信号构建。

这 15 个数据源经过精心挑选，旨在覆盖完整的攻击链：NVD 和 CISA KEV 提供漏洞节点，Censys 和技术栈检测提供资产节点，DNS 和 SSL 揭示网络边界，GitHub 展示活跃的漏洞利用代码，StackExchange 和 Hacker News 提供有关漏洞利用技术可行性的背景信息，OFAC 和 OpenSanctions 负责威胁行为者归因，FRED 则提供用于风险量化的经济背景信息。

阶段 2 — 攻击图构建

scoring.ts 中的 buildAttackGraph() 会将所有 15 个数据源的输出规范化为统一的 AttackGraph，其中包含类型化的 VulnNode 和 AttackEdge 结构。节点包含 CVSS 分数、可利用性、影响、KEV 标记、技术栈标签、类别（入口／跳板／目标／外传）和检测难度。边包含技术名称、成功概率、CVSS 权重以及 AND/OR 前置条件类型。使用带种子的 mulberry32 PRNG（seed=42），可确保相同输入生成确定性的攻击图。生成的加权邻接矩阵会驱动所有下游算法。

阶段 3 — 算法应用

每个工具都将一种不同的算法应用于同一攻击图：

• POSG（工具 1） — HSVI2 遍历信念空间中的点，计算价值的上界和下界，直到差值低于容差。每次迭代都会通过支配性检查剪枝 Alpha 向量。收敛后的值表示无限时域折扣博弈的纳什均衡。
• AND-OR A（工具 2）* — 优先队列使用 f(n) = g(n) + h(n) 探索 AND-OR 图，其中 g 是累计 CVSS 成本，h = 最大剩余 CVSS 值，作为可采纳启发式。仅当 AND 节点的所有前置条件都满足时才会扩展；OR 节点则在任一前置条件满足时扩展。
• Hawkes 过程（工具 3） — 根据 CVE 时间戳数据校准幂律核函数 λ(t) = μ + Σ_i α(1 + (t−t_i)/c)^(−(1+ω))。通过稀疏化模拟生成 30 天和 90 天预测的样本路径。
• Colonel Blotto（工具 4） — 每次迭代中，虚拟博弈都会针对对手当前的经验分布，在各安全战场上进行最佳响应，直至混合策略收敛至纳什均衡。
• Exp3（工具 5） — 指数权重更新公式 w_i(t+1) = w_i(t) × exp(η × r̂_i / K)，结合重要性加权估计量 r̂_i = r_i / p_i，跟踪对手的技术选择。通过解析计算得出最优学习率 η = √(2 ln K / T)。
• 吸收马尔可夫（工具 6） — 通过 Gauss-Jordan 求逆计算 N = (I−Q)^-1，其中 Q 是瞬态到瞬态的子矩阵。吸收矩阵 B = NR 给出失陷概率。根据平均场理论得出的流行病阈值 β_c = ⟨k⟩/⟨k²⟩ 用于判断传播是否处于超临界状态。
• GPD（工具 7） — 使用概率加权矩拟合阈值 u 以上 CVSS 超限值的 GPD 参数（形状 ξ、尺度 σ）。P(X > x | X > u) = (1 + ξ(x−u)/σ)^(−1/ξ) 用于计算 VaR 和 CVaR。
• 复制子动态（工具 8） — 使用欧拉积分求解 dx_i/dt = x_i(f_i − φ̄)，其中 φ̄ = Σ_j x_j f_j 为平均适应度。根据增长率符号和适应度百分位对技术进行分类。通过扰动稳定性识别 ESS 候选项。

阶段 4 — 响应序列化

使用 json() 助手将结果序列化为 JSON，并以 MCP CallToolResult 的形式返回，且 content[0].type = 'text'。所有数值字段都会进行舍入，以便于阅读。每个响应都会附加 graphSummary 字段，供调用方评估数据丰富度。

获得最佳结果的技巧

1. 使用技术名称加上下文进行查询 — “apache log4j 2.14 corporate internal network”比“log4j”能构建更丰富的图谱。查询会原样传递给全部 15 个 Actor，因此越具体，来自各来源的信息就越丰富。

2. 主动使用 predict_vulnerability_emergence — 每周对风险最高的技术组件运行一次。当 burstProbability 超过 0.6 时，提前部署补丁团队。每周运行的成本为 $0.035，可避免紧急响应。

3. 讨论预算时，先运行 POSG，再运行 Blotto — simulate_attack_defense_posg 会给出博弈价值（攻击者优势），然后 optimize_defender_allocation 会告知你如何重新分配预算以应对这一优势。在面向 CISO 的讨论中，同时展示这两项输出。

4. 对尾部风险和 Hawkes 工具，将 maxResults 设为 ≥ 50 — 增广帕累托分布（GPD）拟合和 Hawkes 校准在样本量增大时会显著改善。对于 assess_zero_day_tail_risk 和 predict_vulnerability_emergence，始终将 maxResults 设为 50 或更高。

5. 每季度运行 forecast_threat_landscape_evolution — 复制子动力学会显示技术的生命周期阶段。现在被归类为 EMERGING 的技术将在 6–12 个月后进入 GROWING 阶段。季度预测可让你提前 2–3 个季度构建防御措施，应对下一个主导技术。

6. 结合 WHOIS 域名查询 和 网站技术栈检测器 — 这些 Actor 已嵌入 MCP 的数据聚合流程中，但先单独运行它们，可以让你在进行完整的 8 工具评估前，验证目标是否已正确识别。

7. 将结果导出到数据集以跟踪趋势 — 使用 Apify 的数据集存储功能，长期保存工具输出。逐月比较 simulate_attack_defense_posg 的 gameValue，可客观衡量攻击面如何变化。

与其他 Apify Actor 结合使用

Actor	组合方式
网站技术栈检测器	先检测技术栈，然后将识别出的技术作为查询传递给 synthesize_exploit_chains，以进行有针对性的漏洞利用链分析
WHOIS 域名查询	枚举子域名和注册数据，然后将域名列表输入 simulate_attack_defense_posg，以建模外围攻击面
公司深度研究	生成公司情报报告，提取其中提及的技术，然后对每项已识别的技术运行 predict_vulnerability_emergence
网站变更监控器	监控 CISA 公告和供应商安全页面；检测到新公告时，通过 webhook 触发 synthesize_exploit_chains
网络攻击面报告	运行完整的被动攻击面报告，然后将输出输入 compute_lateral_movement_risk，以分析网络传播情况
B2B 线索筛选器	根据技术栈筛选潜在客户，然后对其技术栈使用 assess_zero_day_tail_risk，识别网络安全产品的高风险潜在客户
公司尽职调查报告	使用 assess_zero_day_tail_risk 和 forecast_threat_landscape_evolution 补充尽职调查报告中的收购网络风险部分

局限性

• 仅进行被动分析 — 此服务不会向目标基础设施发送数据包。它只访问政府登记机构、证书透明度日志、DNS 和社区数据库中的公开数据。它无法发现未公开记录的漏洞。
• 攻击图的质量取决于数据源覆盖范围 — 对小众或专有技术的查询可能返回较少的 NVD 和 GitHub 数据，导致攻击图较小，模型输出的统计可靠性较低。请检查 graphSummary.nodes — 节点少于 10 个的图应谨慎解读。
• 数学模型是概率性的，而非确定性的 — POSG 博弈值、Hawkes 预测和 GPD 尾部估计都是基于现有数据得出的统计结果，并非真实情况的评估。它们量化风险，但不会为风险作出认证。
• 不执行运行时漏洞利用 — 这不是自动化漏洞利用框架。它会识别并确定攻击路径的优先级；执行这些路径需要人工红队参与。
• 15 个数据源各自有速率限制 — 在流量高峰期，由于上游速率限制，个别数据源（尤其是 Censys 和 GitHub）返回的结果可能少于 maxResults。系统会妥善处理这种情况，但图的密度可能因此降低。
• Hawkes 校准需要历史 CVE 时间戳 — 如果 NVD 对小众查询返回的结果很少，Hawkes 模型可用于校准的历史数据就会有限，因此会退回到基线强度估计。
• GPD 拟合需要超过阈值的样本 — 如果超过阈值（默认 u = 7.0）的 CVSS 分数少于 5 个，GPD 的形状和尺度估计将不可靠。maxResults: 50 可缓解此问题。
• 不绕过身份验证或测试凭据 — 此服务不会尝试登录系统、测试默认凭据或执行经过身份验证的扫描。

集成

• Apify API — 通过 Python 或 Node.js 应用直接调用单个工具，或通过 REST 将 MCP 响应集成到 SIEM/SOAR 工作流中
• Webhooks — 当 burstProbability 或 gameValue 超过阈值时，触发后续操作（PagerDuty 告警、Jira 工单、Slack 通知）
• Zapier — 安排每周威胁态势预测，并将结果推送到 Google Sheets 或 Notion 数据库，以便长期跟踪
• Make — 构建多步骤自动化：检测到网站变更 → 运行漏洞利用链合成 → 将发现结果推送到安全工单系统
• Google Sheets — 将每周 VaR、CVaR 和博弈值指标导出到电子表格，用于面向董事会的网络风险报告
• LangChain / LlamaIndex — 在 RAG 工作流中将 MCP 工具输出用作结构化上下文，以辅助 AI 生成威胁报告

故障排查

攻击图为空或过小（graphSummary.nodes < 5） — 查询从 NVD 和相关来源返回的结果很少。请尝试扩大查询范围：使用不带版本号的技术名称，或添加“vulnerability”一词。同时，请确认 maxResults 至少为 20。对于非常冷门的技术，无论 maxResults 设置为多少，攻击图都可能很稀疏。

工具返回 { "error": true, "message": "Spending limit reached" } — 工具执行前已达到会话的单次事件费用上限。请在 Apify 账户设置或 MCP 客户端的会话配置中提高费用上限。这是一项安全功能，并非错误。

响应耗时超过 3 分钟 — 15 个上游 actor 中有一个或多个触发了 180 秒超时。这通常会在 Censys 或 GitHub 负载较高时发生。仍会返回已成功完成的 actor 所提供的数据。请在非高峰时段重试，或降低 maxResults，以加快 actor 调用速度。

POSG 输出中出现 converged: false — HSVI2 未能在迭代预算内收敛。当攻击图包含许多节点且信念单纯形较大时，就会发生这种情况。返回的博弈值是一个界限，并非精确的纳什值。请将结果作为方向性参考，而非精确数值。

GPD 形状参数 ξ 过于极端（> 1 或 < -0.5） — 这表示阈值以上的超越值很少，导致矩估计不稳定。请将 maxResults 提高到 50 以上，并确保查询针对已知存在高严重性 CVE 的技术。对于 CVSS 数据，形状参数在 [−0.5, 0.5] 范围内属于统计学上的正常值。

负责任地使用

• 此服务仅访问公开的漏洞数据、DNS 记录、证书透明度日志和社区生成的内容。
• 请勿使用此工具规划、协助或执行对计算机系统的未授权访问。对公开数据进行被动分析是合法的；未经授权的渗透测试则不合法。
• 开展评估时，请遵守所在组织的安全政策和适用的计算机犯罪法律（CFAA、Computer Misuse Act、EU NIS2）。
• 在将结果用于制定运营决策之前，应由合格的安全专业人员进行审核。
• 有关使用公开数据开展安全研究的合法性指南，请参阅 Apify 关于网页抓取合法性的指南。

常见问题

免费额度用完前，我可以调用工具多少次？ Apify 免费计划每月包含 5 美元额度。按每次调用 0.030–0.045 美元计算，可用于 111–166 次单独的工具调用，或 16–17 次完整的 8 工具评估（每次 0.295 美元）。额度每月重置。

自主红队分析适用于内部网络目标吗？ 这些工具可处理任何查询字符串，但结果仅限于公开数据。对于内部网络（192.168.x.x 地址或内部主机名），NVD 和 Censys 不会返回任何结果。这些工具最适用于面向互联网的基础设施、技术栈、已知威胁行为者和 CVE 类别。

这与手动查询 CVSS 有何不同？ CVSS 查询会为单个 CVE 提供一个严重性评分。此 MCP 会从 15 个来源构建多节点攻击图，并对该图应用博弈论、随机过程和极值统计。输出包括攻击者与防御者的博弈值、最优资源分配建议、包含 AND-OR 前置条件的漏洞利用链，以及尾部风险估计，而非评分列表。

我可以用它满足合规或审计要求吗？ 这些输出可为合规工作提供信息和支持，尤其是 SOC 2、ISO 27001 和 NIST CSF 评估中的风险量化部分，但它们不构成正式的渗透测试或审计。合规框架通常要求由经过认证的专业人员在获得明确书面授权后开展测试。 Hawkes 漏洞预测有多准确？ Hawkes 过程能够捕捉特定技术类别中 CVE 披露的时间聚集性。预测是概率性的——predictedEvents30d: 8 表示模型预计未来 30 天内约有 8 个 CVE，且预测时间范围越长，不确定性越大。提高 maxResults（用于校准的历史时间戳更多）以及选择有大量已记录 CVE 的技术类别，都能提升准确性。

查询 CISA KEV、NVD 和 Censys 数据是否合法？ 合法。NVD 是美国政府的公共数据库。CISA KEV 是公开的公告目录。Censys 将互联网扫描数据作为公共资源发布。此 MCP 使用的全部 15 个数据源都可公开访问。更多背景信息请参阅 Apify 的法律指南。

这与 Recorded Future 等商业威胁情报平台有何不同？ Recorded Future 和类似平台提供由分析师整理、人工标注的威胁情报，使用专有的暗网和 HUMINT 来源。此 MCP 将数学建模——博弈论、随机过程、极值理论——应用于开源数据。两者可以互为补充：使用商业平台进行归因和攻击者情报分析，使用此 MCP 进行定量风险建模和资源分配。

如果 15 个上游 Actor 中有一个发生故障，会怎样？ runActorsParallel() 函数会逐个捕获 Actor 的错误，并为该数据源返回空数组。攻击图会根据其余数据源构建。响应中的 graphSummary 会显示实际构建的节点和边的数量，让你了解数据的完整程度。

我可以在同一目标上并行运行全部 8 个工具吗？ 可以。每个工具都是独立的 MCP 调用。AI Agent 可以并行调用全部 8 个工具并汇总结果。对一个目标进行完整的并行评估需要花费 $0.295，耗时 60–180 秒（耗时取决于最慢的并行数据获取，而非各项耗时之和）。

如何解读 simulate_attack_defense_posg 返回的 gameValue？ gameValue 是攻击—防御博弈的纳什均衡值，取值范围为 0–1，其中 1 表示攻击者完全占优，0 表示防御者完全占优。值高于 0.6 表示在当前攻击面和防御资源分配下，攻击者具有结构性优势。使用 optimalDefenseAllocation 可以确定预算重新分配到哪些位置最能降低博弈值。

我可以在自主 AI Agent 工作流中使用此 MCP 吗？ 可以，这正是此 MCP 的主要预期用途。服务以 Apify Standby 模式运行，这意味着它始终可供 Agent 调用，无需承受冷启动延迟。它适用于任何兼容 MCP 的 Agent 框架，包括 LangChain agents、AutoGen、CrewAI 和自定义 Agent 循环。

帮助我们改进

如果遇到问题，请在 Apify 账户中启用运行共享，以便我们更快地排查问题：

1. 前往 账户设置 > 隐私
2. 启用 与公开 Actor 创建者共享运行记录

这样一来，发生问题时我们就能查看你的运行详情。你的数据仅对 Actor 开发者可见，不会公开。

支持

发现错误或有功能建议？请在此 Actor 页面上的 Issues 选项卡中提交问题。如需定制安全集成或企业部署，请通过 Apify 平台联系我们。