ChainGraph利用Neo4j增强LLM渗透测试Agent图推理能力

该论文提出 ChainGraph 模式，通过 Model Context Protocol (MCP) 将大语言模型（LLM）的渗透测试代理与 Neo4j 属性图连接，解决传统基于扁平上下文的推理局限。研究发现，孤立的中危漏洞在构建凭证捕获、权限提升和横向移动的攻击链后可能升级为关键风险，而现有 Agent 因上下文窗口限制难以捕捉这种图状依赖关系。 实验基于模拟的多森林 Active Directory 环境（GOAD），展示了三个独立中危发现如何被标记为关键风险，并利用介数中心性识别最佳阻断点。通过将决策范围限定在图查询结果而非重读整个交互记录，推理载荷减少了约 98%。系统定义了五种算子问题（如下一步推断、根节点路径规划等），并转化为可复用的 Cypher 和图数据科学查询，同时区分了单点严重性与链式严重性评分。 事实层面，该工作仅包含单次运行的演示测量，未建立基准测试；推断层面，这种架构可能改变红队自动化对复杂环境的处理能力，但需验证真实网络中的稳定性；猜测层面，若此模式被广泛采纳，可能会推动更多安全工具从本地状态管理转向外部图存储架构。