新闻详情

新闻详情

首页 / 资讯中心 / 详情

「AI安全篇」实战AntiDebug自动化JS逆向加解密MCP

发布时间:2026/11/14 14:38:42来源:尧图网络
「AI安全篇」实战AntiDebug自动化JS逆向加解密MCP
0x1 AntiDebug_Breaker_mcp一、工具介绍AntiDebug_Breaker_mcp是一款Chrome 浏览器扩展专门用于前端 JavaScript 逆向工程和渗透测试辅助。基于原项目AntiDebug_Breaker二次开发新增了MCP集成可以让 Cursor、Trae、Qoder 等 AI 编辑器直接操控浏览器、读取分析数据。一句话概括让被保护的前端页面变得 可调试再把页面状态、请求、加密信息直接暴露给 AI 工具分析。工具GitHub项目地址https://github.com/vs-olitus/AntiDebug_Breaker_mcp二、chrome浏览器插件导入通过上面 GitHub地址下载解压缩后丢到chrome浏览器插件中开启开发者模式浏览器打开插件界面如下三、 MCPAI 集成通过 MCP 协议让 AI 编辑器直接调用浏览器扩展的能力共 76 个工具覆盖页面信息获取网络请求监控Hook 数据读取Vue 路由导出Cookie / Storage 操作请求头配置管理敏感数据扫描加密 / 认证分析0x2 Trae联动chrome一、MCP配置这里我们使用Trae进行配置对应的mcp的json文件这里我们需要先找到AntiDebug_Breaker_mcp/mcp-server/dist/index.js文件路径然后配置的json格式内容如下{ mcpServers: { AntiDebug_Breaker_mcp: { command: node, args: [/自己的路径/AntiDebug_Breaker_mcp/mcp-server/dist/index.js], env: { MCP_PORT: 9527 } } } }二、连接浏览器插件Trae里面找到mcp配置配置json内容填入即可配置成功可以看到内置的mcp工具是很多的浏览器的AntiDebug插件打开可以看到成功连接到了MCP再开启这个全局模式方便后续使用网站标题进行AI自动化渗透测试js加解密三、自动化JS逆向加解密配置完成后打开一个有js加密的网站然后回到 Trae 对话页面进行测试。如果配置正确将成功返回当前网页的标题信息。请帮我调用 AntiDebug_Breaker_mcp 获取当前网站的 title 标题测试下这个插件的加解密检测功能。请调用 AntiDebug_Breaker_mcp 分析 {网站标题} 页面 检测反调试机制、前端框架、加密方式和认证机制插件会自动调用hook脚本进行分析加解密操作后续还可以继续执行相关的加解密操作请调用 AntiDebug_Breaker_mcp 对 {网站标题} 做完整前端分析 1. 检测并绕过反调试 2. 获取所有 Vue 路由 3. 收集 API 接口 4. 扫描敏感数据泄露 5. 分析加密和认证机制0x3 claude code配置mcpmcp.json文件配置内容如下检测下是否开启了打开Claude code测试下/mcp成功开启了AntiDebug_Breaker_mcp请帮我调用 AntiDebug_Breaker_mcp 获取当前网站的 title 标题
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉