KI-Sicherheitsanalyse-security-audit-skill

Einleitung

Große Sprachmodelle können Code lesen, Zusammenhänge über viele Dateien hinweg verfolgen und Werkzeuge bedienen. Damit liegt es nahe, sie für die Suche nach Sicherheitslücken einzusetzen. Offen ist, wie belastbar ihre Ergebnisse sind, denn ein falscher Befund ist in der Sicherheitsanalyse teuer.

Der Bericht folgt den vier Fragen der Seminarbeschreibung:

1. Wie funktioniert eine KI-Agent-basierte Sicherheitsanalyse?
2. Welche Werkzeuge sind verfügbar und geeignet?
3. Wo liegen Stärken, Schwächen und Kosten?
4. Können die gefundenen Schwachstellen verstanden und verifiziert werden?

Werkzeugfamilien

• Klassische statische Analyse (SAST) wie Semgrep oder CodeQL ist schnell und reproduzierbar, findet aber vor allem Muster, die vorher als Regel formuliert wurden.

• KI-Ageten wie Claude Code lesen und durchsuchen Code selbstständig. Sie erkennen auch Logikfehler über Dateigrenzen hinweg, arbeiten aber nicht deterministisch.

Ein Skill ist ein Ordner mit Anweisungen, den ein KI-Agent bei Bedarf lädt und der festlegt, wie der Agent eine Aufgabe erledigt.

Der Cloudflare security-audit skill

Steckbrief

Merkmal	Beschreibung
Herkunft	Cloudflare, großer Anbieter für den Schutz von Websites; auf GitHub unter MIT-Lizenz veröffentlicht
Bedeutung	Laut Blogartikel „Build your own vulnerability harness“ Ausgangspunkt für Cloudflares interne Schwachstellensuche, später ausgebaut zu einer Pipeline über mehr als 128 Repositories
Form	kein Scanner und kein Programm, sondern ein Ordner skills/security-audit/ mit rund 5.300 Zeilen Anweisungen und zwei Prüfskripten
Modi	Anleitungsmodus (Standard): beantwortet Sicherheitsfragen ohne Berichtsdateien. Vollständiger Audit-Modus: nur auf ausdrückliche Anfrage („security audit“, „pen-test“, „full security review“); durchläuft alle sechs Phasen. Im Projekt nur dieser Modus verwendet.

Bestandteile

Der Skill ist kein Scanner und kein Programm. Er ist ein Ordner skills/security-audit/ mit rund 5.300 Zeilen Anweisungen und zwei Prüfskripten:

Datei	Aufgabe
SKILL.md	Einstieg: Betriebsarten, Sicherheitsregeln, Profile, Budget, Schweregradskala, verbotene Fehler
RECONNAISSANCE.md	Phase 1: Aufklärung des Projekts und Aufbau des Coverage Ledgers
HUNTING.md, ATTACK-CLASSES.md	Phase 2: Aufbau der Suchaufträge und Angriffsklassen (Injection, Zugriffskontrolle, Dateien, Kryptografie, Geschäftslogik …)
10 Begleitdateien	Spezialwissen, nur bei Bedarf geladen: Web und Authentifizierung, Client-Seite, KI/LLM, Lieferkette, Cloud, Protokolle, Ressourcenerschöpfung, Datenisolation, Desktop/Mobil, Speichersicherheit
VALIDATION-AND-REPORTING.md	Phasen 3 bis 6: Validierung, Ausgabe, zweite Verifikation, Bericht
report-schema.json	festes JSON-Schema für jedes Ergebnis
validate-findings.cjs, validate-coverage-ledger.cjs	Node.js-Skripte, die die Ausgabe mit festen Regeln prüfen

Warum die Prüfskripte wichtig sind: Ein Sprachmodell kann eine JSON-Datei schreiben, die richtig aussieht, aber unvollständig oder widersprüchlich ist. Die Skripte arbeiten ohne KI und lehnen etwa fehlende Felder, ungültige Pfade oder einen Schweregrad für einen unbestätigten Fund ab.

Vier Rollen

Der Skill macht aus einem Agenten ein kleines Prüfteam mit vier Rollen:

Rolle	Name im Skill	Aufgabe
Koordinator	Parent	die Hauptsitzung in Claude Code; verteilt die Arbeit und schreibt als Einziger die gemeinsamen Dateien
Sucher	Hunter	Subagenten, die in einem zugewiesenen Codebereich und für eine Angriffsklasse nach Fehlern suchen
Prüfer	Verifier	neue Subagenten, die die Suche nicht kennen und jeden Fund zu widerlegen versuchen
Kritiker	Critic	Subagenten, die nach Codebereichen suchen, die niemand geprüft hat

Prinzip: Wer findet, bewertet nicht. Ein Agent, der seinen eigenen Fund bewertet, neigt zur Selbstbestätigung; die Trennung entspricht dem Vier-Augen-Prinzip im Code-Review. Jeder Subagent arbeitet in agents/<agent-id>/scratch/ und liefert strukturiertes JSON an den Koordinator.

Sechs Phasen

Phase	Was passiert	Ergebnis
1 Aufklärung reconnaissance	Der Koordinator startet vier Agenten gleichzeitig, die nur lesen: Agent 1a: Produkt, Benutzer, Sprachen und Frameworks, Build- und Testbefehle. Agent 1b: Rollen, Berechtigungen, Anmelde- und Rechteprüfungen. Agent 1c: Eingabepunkte (HTTP-Anfragen, Datei-Uploads usw.) und wohin die Daten im Code fließen. Agent 1d: Was lässt sich lokal sicher testen, und bietet der Rechner die geforderte Sandbox?	architecture.md, coverage-ledger.json
2 Suche hunting	Hunter erhalten Prüfeinheiten samt Angriffsklassen-Anweisungen im Wortlaut und verfolgen eine Eingabe bis zur kritischen Stelle (sink, z. B. Datenbankabfrage). Ein Kritiker sucht danach Lücken; diese werden neue Einheiten, falls das Budget eine weitere Welle erlaubt.	Kandidaten als JSON
3 Validierung validation	Kern des Skills: Ein neuer Prüfer liest jede zitierte Zeile erneut, sucht übersehene Schutzmechanismen und versucht zu widerlegen.	eines von drei Urteilen
4 Strukturierte Ausgabe	Urteile werden geschrieben, Prüfskripte kontrollieren das Format.	findings.json
5 Zweite Verifikation	Weitere neue Agenten prüfen die Aussagen erneut; wesentliche Änderungen prüft ein zusätzlicher Agent.	bestätigte Datensätze
6 Bericht	Bericht nur aus geprüften Datensätzen; er darf kein Urteil ändern.	REPORT.md, FINDINGS-DETAIL.md, NEEDS-VALIDATION.md

Endbedingung: Ein Lauf endet nie mitten in einer Phase. Entweder sind alle Berichtsdateien geschrieben und beide Skripte bestanden, oder der Lauf wird mit Grund als „incomplete“ markiert.

Urteile und Schweregrad

Urteil	Bedeutung	Schweregrad?
confirmed	vollständige Codespur vom Eingabepunkt zur kritischen Stelle und lokal beobachtetes Ergebnis	ja
needs_validation	codebasierter Verdacht, dem genau ein Fakt fehlt, mit Prüfplan	nein
rejected	von einem Prüfer widerlegt	nein

Einträge mit needs_validation heißen hier Verdachtsfälle (leads). Für „confirmed“ muss der Code ausgeführt werden; fehlerhaft aussehender Code genügt nicht.

Schweregrad (nur bestätigte Funde)	Beispiel
critical	nicht angemeldeter Angreifer führt Code aus, erhält vollen Datenbankzugriff oder übernimmt beliebige Konten
high	Sicherheitskontrolle vollständig umgangen, z. B. Anmeldung umgangen, fremde Daten gelesen
medium	echte Grenzverletzung mit begrenzter Wirkung oder seltenen Voraussetzungen
low	Preisgabe nicht geheimer interner Informationen
informational	bestätigt, aber minimale Wirkung

Coverage Ledger

Das Coverage Ledger zerlegt das Projekt in Prüfeinheiten. Jede Einheit ist eine Kombination aus vier Teilen: Eingabepunkt × Vertrauensgrenze × Teilsystem × Angriffsklasse, und einen Status

Status	Bedeutung
planned	geplant, noch nicht begonnen
in_progress	ein Hunter arbeitet daran
covered	geprüft, kein Fund
candidate	enthält einen validierten Verdachtsfall
blocked	geprüft, enthält aber nur ungeprüfte Hinweise
deferred	zurückgestellt, meist wegen des Budgets
out_of_scope, not_applicable	außerhalb des Umfangs bzw. nicht zutreffend

Die meisten Werkzeuge sagen, was sie gefunden haben, aber nicht, was sie nicht geprüft haben. Das Ledger macht Lücken in der Abdeckung sichtbar. Niemand kann „alles geprüft“ behaupten, solange Einheiten zurückgestellt sind.

Fingerabdruck

Jede Grundursache erhält eine feste Kennung, den Fingerabdruck (fingerprint), z. B. juice-shop/routes/login/raw-sql-string-interpolation. Er enthält keine Zeilennummer und bleibt daher auch bei kleinen Codeänderungen gleich. Damit lassen sich Läufe vergleichen.

Profile und Budget

Profil	Bedeutung
quick	eine Suchwelle, ein abschließender Kritiker, ein Prüfer pro Kandidat. Für einen ersten Überblick.
standard	Suchwellen, bis die Kritiker keine Lücken mehr finden oder das Budget aufgebraucht ist, zwei Kritiker, zwei getrennte Prüfer pro Fall
deep	für große, kritische Projekte: feinere Einheiten, zusätzliche unabhängige Prüfung

Das Budget ist die Höchstzahl der Agentenaufrufe über alle Phasen. Vor der Suche reserviert der Skill Aufrufe für Kritiker und Prüfer, damit die Hunter nicht das ganze Budget verbrauchen und am Ende niemand mehr prüfen kann.

Mehrere Läufe bauen aufeinander auf

Kennt ein zweiter Lauf den Ort des ersten, liest er dessen Ledger und Ergebnisse. Er konzentriert sich dann auf zurückgestellte Einheiten und ungeprüfte Hinweise und prüft alte Ergebnisse erneut. Laut Cloudflare findet ein einzelner Lauf etwa die Hälfte dessen, was wiederholte Läufe zusammen finden.

Sicherheitsregel: ohne Sandbox keine Ausführung

Zielcode darf nur in einer vom Betriebssystem erzwungenen Sandbox laufen: kein externes Netzwerk, leere Umgebung ohne Variablen und Passwörter, Zielcode nur lesbar, Schreiben nur im eigenen Arbeitsordner, harte Grenzen für CPU, Speicher, Prozesse und Laufzeit. Fehlt eine Eigenschaft, führt der Skill nichts aus, vermerkt einen Blocker und belässt den Fund bei needs_validation. Zudem verboten: Anfragen an produktive Systeme, Installation von Abhängigkeiten, echte Zugangsdaten, Änderungen am Zielcode (Korrekturen werden nur beschrieben).

Das Zielprojekt: OWASP Juice Shop

Was ist Juice Shop?

OWASP Juice Shop ist ein fiktiver Webshop für Säfte, der absichtlich voller Sicherheitslücken ist und für Sicherheitstrainings verwendet wird:

• Server: TypeScript, Node.js, Express; SQLite über Sequelize sowie die In-Memory-Datenbank MarsDB;
• Oberfläche: Angular;
• Anmeldung: JWT-Tokens.

Warum dieses Projekt?

Juice Shop enthält einen Lösungsschlüssel: Die Datei data/static/challenges.yml listet 116 Challenges, also 116 beabsichtigte Schwachstellen. Das liefert eine Referenz (ground truth), mit der sich messen lässt, was das Werkzeug gefunden und was es übersehen hat. Ein gewöhnliches Projekt bietet so etwas nicht. Juice Shop ist zwar nicht klein, dieser Vorteil überwiegt aber.

Der sichere Modus (safetyMode)

Juice Shop hat eine Einstellung safetyMode. Ist sie aktiv, werden etwa 19 gefährliche Challenges wie Codeausführung oder Dateizugriff abgeschaltet, sobald die Anwendung in Docker oder auf Heroku läuft. Diese Einstellung ist für einen der wichtigsten Funde (Nr. 13) entscheidend.

Untersuchte Version

Alle Läufe verwenden denselben Stand: Version 20.2.0, Commit 5658473c vom 10. August 2026 mit der Commit-Nachricht „Add missing guard around lfrChallenge for safe mode“. Dieser Commit sollte also den Schutz im sicheren Modus verbessern.

Warum ein fester Stand? Ändert sich der Code zwischen zwei Läufen, ist nicht erkennbar, ob ein Unterschied an der KI oder am Code liegt.

Versuchsdesign

Merkmal	Lauf 1	Lauf 2
Profil	quick	standard
Budget	25 Agentenaufrufe	60 Agentenaufrufe
Vorwissen	keins	Lauf 1 (nur lesend)
Ausführung von Zielcode	nein	nein
Commit	5658473c	5658473c

Lauf 1 (quick)

Auftrag

Run a full security audit of this codebase using the security-audit skill.
Profile: quick. Budget: 25 agent invocations.
Source-only: do not execute target code; record anything that needs
execution as needs_validation.
Output to ~/ITS/audits/juice-shop/run-1

Der Auftrag enthält die ausdrückliche Bitte um ein vollständiges Audit (damit der Audit-Modus greift), Profil, Budget, die Regel „nur Quellcode“ und den Ausgabeort.

Ablauf

Lauf 1 dauerte 26 Minuten und nutzte 24 von 25 Aufrufen:

Rolle	Aufrufe
Aufklärung	4
Hunter	6
abschließender Kritiker	1
Prüfer	12
erneute Prüfung eines geänderten Datensatzes	1

Budgetentscheidung: Damit genug Aufrufe für die Validierung blieben, begrenzte der Koordinator jeden Hunter auf zwei Kandidaten. Weitere Funde wurden als „ungeprüfte Hinweise“ (unvalidated leads) im Ledger vermerkt, insgesamt 23. Sie sind keine Ergebnisse, sondern Ansatzpunkte für spätere Läufe.

Ein Prüfer korrigiert einen Hunter: Ein Hunter behauptete eine Pfadtraversierung unter Windows mit ..\. Der Prüfer stellte fest, dass eine andere Bibliothek (serve-index) genau diese Form blockiert, absolute Pfade wie C:\… aber nicht. Er formulierte die Aussage enger und genauer, und ein dritter Agent prüfte die Änderung. Das zeigt den Nutzen der Rollentrennung.

Ergebnis

• 12 Verdachtsfälle, alle needs_validation;
• 0 bestätigt, wie wegen der Regel „nur Quellcode“ erwartet;
• 0 verworfen;
• Coverage Ledger: 22 Einheiten, davon 11 mit Verdachtsfall, 1 blockiert, 10 zurückgestellt.

Eigene Kontrolle

Die Prüfskripte wurden von Hand erneut ausgeführt, statt der Aussage des Agenten zu vertrauen:

node .claude/skills/security-audit/validate-findings.cjs audits/juice-shop/run-1/findings.json
PASS: 12 findings valid
node .claude/skills/security-audit/validate-coverage-ledger.cjs audits/juice-shop/run-1/coverage-ledger.json
PASS: 22 coverage units valid

Lauf 2 (standard)

Auftrag

/security-audit Full audit of ~/ITS/targets/juice-shop.
Profile: standard. Budget: 60 agent invocations.
Source-only: do not execute target code; record anything needing execution as needs_validation.
Prior run: ~/ITS/audits/juice-shop/run-1 (coverage-ledger.json, findings.json); do not modify run-1.
Output: ~/ITS/audits/juice-shop/run-2

Der Ort von Lauf 1 musste angegeben werden, weil der Skill frühere Läufe nur in seinem Standardordner ~/security-audit-skill/ selbst findet.

Ratenlimit: 20 Agenten abgebrochen

In Phase 3 startete der Koordinator etwa 20 Agenten gleichzeitig (19 Prüfer und einen Kritiker). Das Pro-Abonnement hat ein Sitzungslimit (rate limit); es wurde überschritten, und alle 20 Agenten wurden beendet, bevor sie ein Ergebnis lieferten (HTTP 429).

Der Skill riet nicht, sondern hielt an und fragte, wie die Fehlstarts auf das Budget anzurechnen seien. Er bot drei Möglichkeiten an: nicht anrechnen und neu starten, streng anrechnen und den Lauf als unvollständig beenden, oder das Budget erhöhen. Entschieden wurde: nicht anrechnen, aber offen in run-metadata.json und im Bericht dokumentieren. Nach dem Zurücksetzen des Limits wurden die Agenten in Gruppen von höchstens fünf neu gestartet.

Begründung: Das Budget misst nützliche Prüfarbeit. Die abgebrochenen Agenten haben keine Arbeit geleistet; sie scheiterten an der Grenze des Abonnements, nicht am Werkzeug.

Sicherheitsfilter beim Bericht

Beim Schreiben von REPORT.md hielt ein Sicherheitsfilter (safety classifier) den ersten Entwurf an, vermutlich wegen zu konkreter Angriffsdetails. Der Agent schrieb den Bericht daraufhin auf einer höheren Ebene neu, mit Übersichtstabellen und Korrekturvorschlägen, aber ohne Angriffsdaten. Die vollständigen Spuren blieben in NEEDS-VALIDATION.md.

Gebundenes Budget

Die 12 Verdachtsfälle aus Lauf 1 brauchten je zwei Prüfer (Phase 3 und Phase 5), also 24 der 60 Aufrufe. Für Neues blieb wenig übrig, deshalb durfte jeder Hunter nur einen Kandidaten einreichen. 33 Ursachen blieben als ungeprüfte Hinweise im Ledger.

Ablauf

Lauf 2 dauerte 3 Stunden 13 Minuten, davon 1 Stunde 37 Minuten Modellzeit, der Rest Wartezeit. und nutzte 57 von 60 Aufrufen:

Rolle	Aufrufe
Aufklärung	4
Hunter	9
Kritiker	2
Prüfer Phase 3	21
Prüfer Phase 5	21
Summe erfolgreich	57 von 60
Fehlstarts durch Ratenlimit (nicht gezählt)	20

• 21 Verdachtsfälle: Alle 12 aus Lauf 1 kamen mit demselben Urteil zurück, 9 sind neu. Von den neuen waren 5 in Lauf 1 schon als ungeprüfte Hinweise notiert, 4 sind neue Ursachen.
• Coverage Ledger: 53 Einheiten, davon 4 abgedeckt, 21 mit Verdachtsfall, 20 blockiert, 8 zurückgestellt.

Ergebnisse

Überblick

Kennzahl	Lauf 1	Lauf 2
Validierte Verdachtsfälle	12	21 (12 übernommen, 9 neu)
Bestätigt / verworfen	0 / 0	0 / 0
Ungeprüfte Hinweise	23	33
Prüfeinheiten im Ledger	22	53
Prüfskripte (selbst nachgeprüft)	bestanden	bestanden

Status der Prüfeinheiten: Lauf 2 prüfte deutlich mehr Einheiten, die meisten neuen blieben aber blockiert, weil das Budget die Validierung nicht abdeckte.

Lauf 2 brachte vor allem mehr Breite, aber keinen zusätzlichen Beweis. Die Ergebnisse sind stabil: Alle 12 Fälle aus Lauf 1 kamen mit demselben Urteil zurück. Von den 9 neuen Fällen waren 5 in Lauf 1 schon als ungeprüfte Hinweise notiert, 4 sind neue Ursachen.

Die 21 Verdachtsfälle

„Katalog“ zeigt, ob der Fall einer beabsichtigten Juice-Shop-Challenge entspricht. „Eigene Prüfung“ ist das Ergebnis meiner Quellcodeprüfung. Angriffsdaten werden bewusst nicht genannt.

Nr.	Verdachtsfall	Katalog	Eigene Prüfung
1	JWT-Signierschlüssel fest im Code und öffentlich abrufbar	ja	gestützt
2	JWT-Algorithmus nicht festgelegt	ja	gestützt
3	YAML-Upload erlaubt Codeausführung	nein	gestützt
4	Zip-Slip beim Datei-Upload	ja	gestützt
5	Benutzername wird per eval ausgewertet (Template-Injection)	ja	Codezeile stimmt
6	SQL-Injection in Login und Produktsuche	ja	nicht geprüft
7	Methodensperren über PATCH umgehbar	nein	widerlegt
8	Öffentlicher Endpunkt liefert Passwort-Hashes der Fotowand	nein	Code stimmt
9	Öffentliche Zugriffsprotokolle enthalten Passwörter	teilweise	gestützt
10	SSRF über Profilbild-URL	ja	Codezeile stimmt
11	SSRF über Chatbot-Nachrichten	nein	nicht geprüft
12	JavaScript-Injection über MarsDB-$where	ja	nicht geprüft
13	Unvollständiger Sicherheitsschalter im neuesten Commit	nein	gestützt
14	Sitzungen laufen nie ab und werden nie widerrufen	nein	Code stimmt
15	Adressen ohne Eigentümerprüfung änderbar	nein	Route stimmt
16	Bewertungen massenhaft änderbar (NoSQL)	ja	nicht geprüft
17	Datenexport schreibt fremde Texte als HTML	nein	Codezeile stimmt
18	DOM-XSS über Suchparameter	ja	Codezeile stimmt
19	Unbehandelter Fehler kann den Server beenden	nein	plausibel
20	Pfadtraversal mit Backslash (nur Windows)	nein	Codezeile stimmt
21	Chatbot-Verläufe bleiben nach Abmeldung erhalten	nein	Code stimmt

Die vier wichtigsten Verdachtsfälle

Nr. 13: Unvollständiger Schutz im sicheren Modus. Der untersuchte Commit sollte laut seiner Nachricht eine fehlende Absicherung für den sicheren Modus ergänzen. Der Entwickler fügte eine Bedingung in den if-Zweig ein: „Diesen Teil nicht ausführen, wenn die Challenge abgeschaltet ist.“ Der else-Zweig blieb jedoch unverändert und reicht den vom Benutzer gesendeten Wert layout weiterhin an die Template-Engine (hbs) weiter. Sperrliste und Kürzung der Antwort gab es zudem nur im if-Zweig. Gerade der Modus, der schützen soll, öffnet damit den Weg ohne Einschränkungen. Das ist eine echte Regression im neuesten Commit, die regelbasierte Werkzeuge kaum finden würden.

Nr. 3: Codeausführung über YAML-Upload. Juice Shop nutzt js-yaml in Version 3. Dort verwendet load das vollständige Schema, das bestimmte Tags in echte JavaScript-Funktionen umwandelt. Anschließend ruft der Code JSON.stringify auf das Ergebnis auf, wodurch eine dieser Funktionen automatisch ausgeführt wird. Der Upload ist ohne Anmeldung erreichbar. Eine passende Challenge gibt es nicht.

Nr. 8: Passwort-Hashes auf der Fotowand. Der öffentliche Endpunkt GET /rest/memories liefert zu jedem Foto die vollständigen Benutzerdaten des Besitzers, einschließlich Passwort-Hash. An anderen Stellen blendet der Code diese Felder bewusst aus; die Preisgabe hier ist also nicht beabsichtigt.

Vergleich mit dem Lösungsschlüssel

Zeitpunkt	Gemeldete Challenges (ungefähr)	Anteil
nach Lauf 1	ca. 29 von 116	ca. 25 %
nach beiden Läufen	ca. 37 von 116	ca. 32 %

Warum der Anteil niedrig ist: Viele Challenges sind durch Lesen von Code grundsätzlich nicht auffindbar, etwa die Ortsbestimmung eines Fotos, eine in einem Bild versteckte Nachricht, das Erraten eines schwachen Passworts oder versteckte Easter Eggs. Bezogen auf die im Code auffindbaren Challenges wäre der Anteil höher; diese Abgrenzung steht noch aus. Die Zuordnung wurde von Hand vorgenommen und ist daher eine Näherung.

Bemerkenswert: Beide Läufe zusammen fanden 12 Verdachtsfälle außerhalb des Katalogs (oder nur teilweise darin). Einer davon (Nr. 7) erwies sich später als falsch.

Verifikation der Ergebnisse

Dieser Teil beantwortet die vierte Seminarfrage. Unterschieden werden drei Ebenen:

Ebene	Prüfung	Stand	Ergebnis
1. Format	Entsprechen die Dateien Schema und Regeln?	durchgeführt	beide Skripte bestanden, in beiden Läufen; sagt nichts über die Echtheit einer Lücke
2. Quellcode	Existieren die zitierten Stellen und tun sie, was behauptet wird?	durchgeführt, nur lesend	320 von 320 Referenzen korrekt; 5 offene Fragen geklärt, 1 Fall widerlegt
3. Laufzeit	Funktioniert der Angriff auf einer laufenden Kopie?	nicht durchgeführt	erfordert eine isolierte Umgebung

Vorgehen auf Ebene 2

Die Prüfung fand in einer getrennten Cloud-Umgebung statt, unabhängig vom eigenen Rechner und ausschließlich lesend:

1. Juice Shop wurde auf genau dem Commit 5658473c ausgecheckt.
2. Ein Skript prüfte jede Angabe „Datei:Zeile“ aus findings.json. Ergebnis: 110 von 110 in Lauf 1 und 210 von 210 in Lauf 2. Keine erfundene Datei, keine erfundene Zeile. Das war wichtig, weil Halluzinationen die größte Sorge waren.
3. Für die meisten Verdachtsfälle wurden die entscheidenden Codezeilen von Hand gelesen.
4. Viele Fälle hingen an einer Frage zum Verhalten einer Bibliothek. Die Agenten konnten sie nicht klären, weil die Abhängigkeiten (node_modules) nicht installiert waren und der Skill eine Installation verbietet. Die Bibliotheken wurden deshalb mit npm pack heruntergeladen, was den Code lädt, ohne ihn auszuführen, und anschließend gelesen.

Ergebnisse aus dem Bibliothekscode

Fall	Offene Frage der KI	Bibliothek	Antwort
Nr. 13	Liest die Template-Engine layout aus den Optionen?	hbs 4.3.1	ja, ohne Pfadbegrenzung → gestützt
Nr. 3	Erzeugt load ausführbare Funktionen?	js-yaml 3.15.2	ja (new Function) → gestützt
Nr. 2	Wird der Algorithmus aus dem Token-Kopf übernommen?	jsonwebtoken 0.4.0 → jws 0.2.6 → jwa 0.0.1	ja, auch „none“ mit leerer Signatur → gestützt
Nr. 4	Werden ../-Pfade aus dem Archiv bereinigt?	unzipper 0.12.5	nein; der Schutz steckt nur in extract(), das Juice Shop nicht nutzt → gestützt
Nr. 7	Gibt es eine PATCH-Route?	finale-rest 1.2.2	nein, Aktualisierungen nur über PUT → widerlegt

Beispiel: Ein Verdachtsfall ist kein Befund (Nr. 7)

Die Behauptung: In Lauf 2 meinte ein Hunter, die Benutzerdatensätze seien gegen PUT und DELETE geschützt, vielleicht aber nicht gegen PATCH. Akzeptiere die REST-Bibliothek finale-rest PATCH, könne jeder Besucher Passwort oder Rolle beliebiger Benutzer ändern.

Die Prüfer: Zwei unabhängige Prüfer behielten den Fall und markierten ihn korrekt als needs_validation. Sie benannten genau, was fehlte: „Registriert die Bibliothek eine PATCH-Route?“ Beantworten konnten sie es nicht, weil der Bibliothekscode nicht vorhanden war.

Die Tatsache: Laut Code registriert finale-rest 1.2.2 Aktualisierungen standardmäßig nur für put, außer die Option updateMethod wird gesetzt, und Juice Shop setzt sie nicht. Eine PATCH-Route existiert nicht, der Verdachtsfall ist falsch.

Die Lehre: Das Werkzeug war ehrlich und hat genau benannt, was es nicht weiß. Trotzdem war der Fall falsch. Die Genauigkeit darf man nicht annehmen, man muss sie messen. Zudem haben die Prüfer in 33 Entscheidungen keinen einzigen Kandidaten verworfen, obwohl mindestens einer falsch war. Fehlen ihnen Informationen, neigen sie offenbar zur Nachsicht.

Warum keine Laufzeitprüfung?

• Juice Shop ist absichtlich gefährlich und sollte nicht auf einem privaten Rechner laufen.
• macOS bietet die geforderte Sandbox nicht; der Skill selbst verweigert die Ausführung.
• Ziel des Seminars ist die Bewertung des Ansatzes, nicht die Behebung von Lücken in Juice Shop.

Für jeden Verdachtsfall enthält NEEDS-VALIDATION.md einen fertigen lokalen Prüfplan, meist auf Basis der vorhandenen Tests des Projekts. Diese Pläne sind die Grundlage für einen späteren Lauf mit Ausführung.

Antwort auf die vierte Seminarfrage

• Verstehen: ja. Jeder Verdachtsfall nennt Angreifer, Eingabe, fehlende Kontrolle, Codespur, fehlende Information und Prüfplan.
• Am Quellcode verifizieren: weitgehend. Alle Referenzen stimmen; der Bibliothekscode klärte fünf Fragen und widerlegte einen Fall.
• Zur Laufzeit verifizieren: noch nicht.

Teil 10: Stärken, Schwächen und Kosten

Stärken

• Genau: keine von 320 Code-Referenzen erfunden.
• Ehrlich: kein Schweregrad ohne Beweis; der Bericht betont, dass „keine bestätigten Funde“ nicht „sicher“ bedeutet.
• Stabil: alle Ergebnisse aus Lauf 1 kehrten in Lauf 2 wieder.
• Über das Lehrbuch hinaus: 12 Verdachtsfälle außerhalb des Challenge-Katalogs, darunter eine Regression im neuesten Commit.
• Gegenseitige Prüfung wirkt: Ein Prüfer korrigierte die Aussage eines Hunters (Pfadtraversierung unter Windows).
• Sichtbare Lücken: Das Ledger zeigt genau, was nicht geprüft wurde.
• Sicheres Scheitern: Beim Ratenlimit und beim Berechtigungsproblem hielt das Werkzeug an und fragte nach, statt zu raten.

Schwächen

• Keine Bestätigung ohne Sandbox: Auf einem Mac bleibt jedes Ergebnis ein Verdacht.
• Fehlender Bibliothekscode: Fragen, die sich in Minuten klären ließen, blieben offen.
• Nachsichtige Prüfer: 0 von 33 verworfen, trotzdem war einer falsch.
• Das Budget bestimmt das Ergebnis: Wie viel validiert wird, hängt von der Budgetplanung ab, nicht vom Code. 23 bzw. 33 Ursachen blieben ungeprüft.
• Hoher Ressourcenbedarf: Die Parallelität (20 Agenten gleichzeitig) übersteigt das Limit eines Pro-Abonnements.
• Nicht deterministisch: Ein einzelner Lauf ist eine Stichprobe, keine Messung.

Kosten

Posten	Lauf 1	Lauf 2
Dauer	26 Minuten	3 Stunden 13 Minuten
Agentenaufrufe	24	57, dazu 20 Fehlstarts
Geschätzte Kosten zu API-Listenpreisen	nicht gemessen	51,65 USD
Wöchentliches Pro-Kontingent	23 %	44 % (+21 Prozentpunkte)
Kosten je neuem Verdachtsfall	–	ca. 5,70 USD

Die Dollarangabe ist eine Schätzung, die Claude Code mit dem Befehl /usage zu offiziellen API-Preisen anzeigt. Im Pro-Abonnement wird sie nicht berechnet, macht die Läufe aber vergleichbar. Der größte versteckte Kostenfaktor ist die Zeit des Menschen, der die Ergebnisse prüfen muss.

Teil 11: Fazit und nächste Schritte

Fazit

Der Cloudflare security-audit skill ist heute ein genauer und ehrlicher „Generator von Verdachtsfällen“, aber noch keine „Urteilsmaschine“. Er findet echte, nachvollziehbare Probleme, auch außerhalb jedes Katalogs, und sagt offen, was er nicht beweisen kann. Damit aus einem Verdachtsfall ein bestätigter Befund wird, braucht es eine Ausführung in einer isolierten Umgebung oder einen prüfenden Menschen. Genau dort liegen die größten Kosten.

Antworten auf die vier Fragen

Frage	Antwort
Wie funktioniert es?	Ein Koordinator zerlegt das Projekt in Einheiten, Hunter suchen parallel, unabhängige Prüfer versuchen zu widerlegen, feste Skripte prüfen die Ausgabe.
Welche Werkzeuge sind geeignet?	Der Skill eignet sich gut für belastbare Verdachtsfälle. Ein Vergleich mit klassischer statischer Analyse steht noch aus.
Stärken, Schwächen, Kosten?	genau, ehrlich, stabil; aber ohne Sandbox keine Bestätigung, budgetabhängig, ca. 52 USD geschätzt für Lauf 2.
Verstehen und verifizieren?	Verstehen ja; am Quellcode weitgehend; zur Laufzeit noch nicht.

Nächste Schritte

Jede Option verändert genau eine Größe:

1. Ausführung in einer isolierten Linux-VM: Der Skill kann Verdachtsfälle dort bestätigen oder verwerfen. Erst damit lässt sich die Genauigkeit messen.
2. Ein zweites, kleines reales Projekt: Es zeigt, ob sich die Ergebnisse von einer Trainingsanwendung auf echten Code übertragen lassen. Das entspricht am ehesten der Seminarvorgabe „eher kleine Projekte“.

Quellen

• Cloudflare: security-audit-skill. github.com/cloudflare/security-audit-skill
• Cloudflare Blog: Build your own vulnerability harness. blog.cloudflare.com
• OWASP Juice Shop, Commit 5658473c, inkl. challenges.yml. github.com/juice-shop/juice-shop
• Claude Code Dokumentation: Kosten und /usage. code.claude.com/docs/en/costs
• Claude Code Dokumentation: Skills. code.claude.com/docs/en/skills