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:

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

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	Der Skill ist kein Scanner und kein Programm. Er ist ein Ordner skills/security-audit/ mit rund 5.300 Zeilen Anweisungen und zwei Prüfskripten
Modi	Anleitungsmodus (Standard): beantwortet Sicherheitsfragen ohne Berichtsdateien. Vollständiger Audit-Modus: Dieser wird nur auf ausdrückliche Anfrage („Security Audit“, „Pen-Test“, „Full Security Review“) durchgeführt und durchläuft alle sechs Phasen. Im Projekt wird nur dieser Modus verwendet.

Bestandteile

Datei	Aufgabe
SKILL.md	Einstieg: Betriebsarten, Sicherheitsregeln, Profile, Budget, Schweregradskala, verbotene Fehler
RECONNAISSANCE.md	Phase 1: Die Aufklärung des Projekts und der Aufbau von "architecture.md" und "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. 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. Jede Prüfeinheit hat 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

Merkmal	Beschreibung
Was	fiktiver Saft-Webshop, absichtlich voller Lücken, für Sicherheitstrainings
Technik	Server: TypeScript, Node.js, Express, SQLite (Sequelize), MarsDB (In-Memory) Oberfläche: Angular · Anmeldung: JWT
Warum dieses Projekt	Lösungsschlüssel data/static/challenges.yml mit 116 Challenges liefert eine Referenz (ground truth), um Treffer und Lücken des Werkzeugs zu messen. Juice Shop ist nicht klein, dieser Vorteil überwiegt aber.
safetyMode	schaltet ca. 19 gefährliche Challenges (Codeausführung, Dateizugriff) ab, sobald die App in Docker oder auf Heroku läuft.
Version	20.2.0, Commit 5658473c vom 10.08.2026: „Add missing guard around lfrChallenge for safe mode“, sollte also den sicheren Modus verbessern
Warum fester Stand	Sonst wäre unklar, ob ein Unterschied zwischen Läufen an der KI oder am Code liegt.

Versuchsdurchführung

Merkmal	Lauf 1	Lauf 2
Profil	quick	standard
Budget	25 Aufrufe	60 Aufrufe
Vorwissen	keins	Lauf 1 (nur lesend)
Ausführung von Zielcode	nein	nein
Commit	5658473c	5658473c
Kandidaten je Hunter	2	1
Dauer	26 Minuten	3 h 13 Minuten (davon 1 h 37 min Wartezeit)
Aufrufe nach Rolle
Aufklärung	4	4
Hunter	6	9
Kritiker	1	2
Prüfer Phase 3	12	21
Prüfer Phase 5 / erneute Prüfung	1	21
Summe erfolgreich	24 von 25	57 von 60
Fehlstarts durch Ratenlimit (nicht gezählt)	–	20

Aufträge

Lauf 1:

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

Lauf 2:

/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

Beide Aufträge enthalten die ausdrückliche Bitte um ein vollständiges Audit (damit der Audit-Modus greift), Profil, Budget, die Regel „nur Quellcode“ und den Ausgabeort. In Lauf 2 musste der Ort von Lauf 1 angegeben werden, da der Skill frühere Läufe nur in seinem Standardordner ~/security-audit-skill/ selbst findet.

Ergebnisse

Überblick

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

Kennzahl	Lauf 1	Lauf 2
Geprüfte Verdachtsfälle (needs_validation)	12	21 (12 übernommen, 9 neu)
Bestätigt / verworfen	0 / 0	0 / 0
Ungeprüfte Hinweise	23	33
Prüfeinheiten im Ledger	22	53
davon covered / candidate / blocked / deferred	0 / 11 / 1 / 10	4 / 21 / 20 / 8
Prüfskripte (selbst nachgeprüft)	bestanden	bestanden

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.

Eigene Kontrolle der Prüfskripte

Die Skripte wurden von Hand erneut ausgeführt, statt der Aussage des Agenten zu vertrauen (hier Lauf 1; Lauf 2 ebenfalls bestanden):

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

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

Vergleich mit dem Lösungsschlüssel

• Nach Lauf 1: ca. 29 von 116 Challenges gemeldet (ca. 25 %)
• Nach beiden Läufen: ca. 37 von 116 Challenges gemeldet (ca. 32 %)

Warum der Anteil niedrig ist: Viele Challenges sind durch Lesen von Code grundsätzlich nicht auffindbar. Bezogen auf die im Code auffindbaren Challenges wäre der Anteil höher.

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

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

Schritt	Inhalt
Behauptung	Ein Hunter in Lauf 2: Benutzerdatensätze seien gegen PUT und DELETE geschützt, vielleicht nicht gegen PATCH. Akzeptiere finale-rest PATCH, könne jeder Besucher Passwort oder Rolle beliebiger Benutzer ändern.
Prüfer	Zwei unabhängige Prüfer markierten den Fall korrekt als needs_validation und benannten die offene Frage („Registriert die Bibliothek eine PATCH-Route?“), konnten sie aber ohne Bibliothekscode nicht beantworten.
Tatsache	finale-rest 1.2.2 registriert Aktualisierungen standardmäßig nur für put, außer updateMethod ist gesetzt – Juice Shop setzt es nicht. Eine PATCH-Route existiert nicht.

Das Werkzeug war ehrlich und benannte seine Wissenslücke, trotzdem war der Fall falsch. Genauigkeit muss gemessen, nicht angenommen werden. In 33 Prüfurteilen (12 + 21) wurde kein Kandidat verworfen, obwohl mindestens einer falsch war: Ohne Informationen neigen die Prüfer 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 der Lücken.

NEEDS-VALIDATION.md enthält für jeden Fall einen fertigen Prüfplan, meist auf Basis der Projekttests, die Grundlage für einen späteren Lauf mit Ausführung.

Antwort auf die vierte Seminarfrage

• Verstehen: ja. Jeder Fall 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.

Stärken, Schwächen und Kosten

Stärken	Schwächen
Genau: keine von 320 Code-Referenzen erfunden	Keine Bestätigung ohne Sandbox: auf einem Mac bleibt jedes Ergebnis ein Verdacht
Ehrlich: kein Schweregrad ohne Beweis; „keine bestätigten Funde“ heißt ausdrücklich nicht „sicher“	Fehlender Bibliothekscode: in Minuten klärbare Fragen blieben offen
Stabil: alle Ergebnisse aus Lauf 1 kehrten in Lauf 2 wieder	Nachsichtige Prüfer: 0 von 33 Urteilen verworfen, trotzdem war einer falsch
Über das Lehrbuch hinaus: 12 Fälle außerhalb des Katalogs, darunter eine Regression im neuesten Commit	Budget bestimmt das Ergebnis: 23 bzw. 33 Ursachen blieben ungeprüft – abhängig von der Budgetplanung, nicht vom Code
Gegenseitige Prüfung wirkt: ein Prüfer korrigierte einen Hunter (Windows-Pfadtraversierung)	Hoher Ressourcenbedarf: 20 parallele Agenten übersteigen das Pro-Limit
Sichtbare Lücken: das Ledger zeigt, was nicht geprüft wurde	Nicht deterministisch: ein Lauf ist eine Stichprobe, keine Messung
Sicheres Scheitern: bei Ratenlimit und Berechtigungsproblem hielt das Werkzeug an und fragte nach

Kosten

Posten	Lauf 1	Lauf 2
Dauer	26 Minuten	3 Stunden 13 Minuten
Agentenaufrufe	24	57, dazu 20 Fehlstarts
Geschätzte Kosten	nicht gemessen	51,65 USD
Kosten je neuem Verdachtsfall	–	ca. 5,70 USD

Fazit und nächste Schritte

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. Aus einem Verdachtsfall wird erst durch Ausführung in einer isolierten Umgebung oder durch einen prüfenden Menschen ein Befund – genau dort liegen die größten Kosten.

Seminarfrage	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: zeigt, ob sich die Ergebnisse von einer Trainingsanwendung auf echten Code übertragen lassen; entspricht am ehesten der Vorgabe „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