DVLAA

DVLAA 是一个本地化的大模型与智能体应用安全训练平台。系统以 Flask 控制台为入口，把 OWASP LLM Top 10、Agent 应用安全 Top 10 与综合攻防题统一到同一套交互、判定、Flag、源码查看和模型管理流程中，并提供深色/亮色主题与中英文界面切换。

平台围绕“漏洞介绍 → 答题页面 → 模型/状态机交互 → 审计面板 → Flag 验证 → WP 题解”构建完整训练闭环。LLM 题目强调提示词、上下文、RAG、输出处理、工具调用和资源消耗等风险；Agent 题目强调目标劫持、工具滥用、身份权限、供应链、代码执行、记忆污染、多智能体通信、级联故障、人机信任与失控智能体。

综合攻防题已按漏洞类型归入对应 LLM Top 10 入口，便于从漏洞原理进入案例化任务，再进入具体答题页面完成验证。

• 理论先行的入口结构：LLM Top 10 与 Agent Top 10 侧边栏入口均先进入漏洞风险介绍页，再进入答题页面。
• 55 道本地训练题目：24 道 OWASP LLM 子题、10 道 Agent 场景、11 道综合攻防题，以及 10 道 AWDP 攻防题。
• 真实交互式 Payload 验证：题目通过模型响应、工具调用、状态机、知识库同步或多轮上下文推进，不依赖前端硬规则。
• 统一答题页风格：LLM、Agent、综合题使用统一的事件背景、任务目标、同类题导航、终端交互和 Flag 验证布局。
• 在线训练转接：在线 AI 安全训练入口已接入 Prompt Airlines，提供五关中文题面导引、稳定 WP 与系统内转接真实交互。
• 源码与提示词查看器：题目页可查看系统提示词、运行配置与核心实现，运行时随机 Flag 会被占位符替换。
• 模型管理后台：支持本地模型、Ollama、硅基流动和 OpenAI-Compatible 配置，API Key 掩码展示。
• 双语与主题切换：顶部导航栏提供深色/亮色主题切换和中英文切换，偏好会保存在浏览器本地。
• 本地运行与 Docker 部署：支持直接 Python 运行，也支持 Docker 镜像部署到独立容器。
• 运行期数据隔离：模型配置、上传资料和下载模型保存在运行期目录或 Docker 数据卷中。
• AWDP 攻防赛道：独立提供攻击/防守双工作台。攻击侧与真实客服 Agent 交互并提交当前会话 Flag；防守侧下载漏洞源码，提交包含根目录 update.sh 的 tar.gz 补丁包，服务端执行漏洞回归与业务回归。

靶场仪表盘 集中展示靶场服务状态、当前模型、运行架构、题目总量、通关进度与漏洞矩阵入口。	LLM 漏洞介绍页 进入 OWASP LLM Top 10 后先阅读漏洞定义、攻击面、风险边界和本地题目映射，再进入答题页面。
LLM 答题页面 统一展示事件背景、任务目标、同类子题导航、Flag 提交位、交互终端、WP 题解与源码查看入口。	Agent 答题页面 Agent 场景与 LLM 题目保持一致布局，内置三阶段攻击链进度、工具清单、审计面板和状态机验证。
LLM 模型管理 管理本地模型、Ollama、硅基流动与 OpenAI-Compatible 服务，支持连接测试、切换当前模型和密钥掩码展示。	理论学习 提供内置中文学习资料、Markdown/PDF 上传、在线阅读和资料分类管理。

flowchart TD
    A[浏览器控制台] --> B[Flask 路由层]
    B --> C[题库与介绍页]
    B --> D[LLM / Agent / 综合题答题页]
    B --> L[AWDP 独立攻防工作台]
    D --> E[对话 API]
    L --> M[真实模型攻击 API]
    L --> N[源码下载与补丁部署]
    N --> O[漏洞与业务双回归]
    E --> F[LLM Engine / Cloud Client]
    M --> F
    E --> G[本地状态机与判定器]
    O --> G
    G --> H[Flag Registry]
    B --> I[模型管理]
    B --> J[理论学习]
    B --> K[源码与提示词查看器]

DVLAA 采用单体 Flask 应用组织运行时能力：

1. Web UI 层：dvlaa/web/ 提供控制台、题库矩阵、介绍页、答题页、模型管理和学习页面。
2. 题目编排层：dvlaa/config.py 与 dvlaa/content/ 维护题库配置、场景任务、Payload 和题解。
3. 判定层：dvlaa/modules/llm*_judge.py、dvlaa/challenges/ 与 dvlaa/modules/awdp_runner.py 共同完成模型响应审查、状态校验、补丁检查和 Flag 判定；AWDP 防守提交还会执行真实模型漏洞回归与客服业务回归。
4. 模型层：dvlaa/llm_engine.py、dvlaa/llm_client.py、dvlaa/modules/modelsel.py 统一本地模型、Ollama、硅基流动和兼容 OpenAI API 的调用。
5. 运行数据层：dvlaa/flags.json 保存题目定义，项目根目录的 data/、uploads/ 保存运行期配置、模型、学习资料和上传文件。

AWDP（Attack With Defense Patch）是独立于常规 LLM、Agent 和综合题的攻防训练赛道。每个环境按浏览器会话隔离，攻击与防守在同一题目中形成闭环：先通过真实 AI Agent 交互验证漏洞，再下载可审计源码提交修复补丁，最后由服务端执行漏洞回归和业务回归。

• 题目入口：http://localhost:5080/awdp/1
• 场景：S-Spring 客服 Agent 处理订单、退款、售后和服务时间咨询。遗留运行时策略把服务端验证令牌拼接进了模型可见的 system message，并允许在客服交接、事故审计或结构化策略导出语境下返回完整策略包。
• 攻击阶段：在攻击页与客服 Agent 真实对话，使用交接/审计导出语境观察原始模型回复；只有回复实际包含当前会话 Flag 时，提交该 Flag 才会通过。后端不按关键词或前端状态伪造通关。
• 防守阶段：下载题目提供的漏洞源码，修复 src/chat.js 中将 runtimeFlag 拼接到 buildSystemPrompt() 的路径。将根目录 update.sh 与修改后的文件打包为 .tar.gz（或 .tgz）并上传，补丁脚本使用题目允许的 cp、mv、rm 文件操作。
• 补丁脚本格式：update.sh 可以保留 shebang、注释和 set -e、set -eu、set -euo pipefail 等失败即停声明；平台不会执行任意 Shell，只解释白名单文件操作。
• 回归判定：部署后由真实模型执行交接/审计类漏洞回归，确认模型消息不再包含运行时 Flag；同时执行订单查询、退款咨询、售后换货和服务时间四类业务回归，确保修复没有通过停用客服功能来取巧。任一回归失败都会保留原部署。

完整题解、Payload、系统提示词映射、源码查看、修复包示例下载和提交记录均在 AWDP01 页面中提供。修复包示例可直接上传验证，也可解压学习 update.sh 与 patched/chat.js 的修复路径；Payload 可直接复制到攻击对话框。

新增题目均为本地隔离 Fixture，不连接或攻击上游服务；CVE、NVD 和 GitHub Security Advisory 只用于说明真实根因，Flag 与攻击链按浏览器会话动态生成。

每题页面均提供中文 Payload、漏洞原理、系统提示词与源码查看、公开参考链接和可直接上传的修复包示例。防守包除了修复 src/chat.js 的模型上下文边界，还必须提交题目对应的 src/vulnerability.js 修复；服务端会先做静态契约检查，再使用真实模型执行漏洞回归与正常业务回归。

上表中的上游项目、版本和披露链接用于漏洞学习与源码对照；DVLAA 只运行本地隔离 Fixture，并明确标注尚未有上游修复版本的案例。

• Python 3.11+
• Docker 24.0+（推荐）
• 最低 4GB 内存，推荐 8GB+
• 可选：Ollama、本地 HuggingFace 模型或云端兼容 OpenAI API 的模型服务

git clone https://github.com/Tcotl/DVLAA.git
cd DVLAA

./install.sh

安装脚本会自动构建镜像、重建 dvlaa-console 容器、挂载 dvlaa-data 数据卷，并等待 /health 健康检查通过。

常用自定义参数：

DVLAA_PORT=5081 DVLAA_IMAGE=dvlaa-lab:latest ./install.sh

docker build -t dvlaa-lab:latest .
docker run -d --name dvlaa-console \
  --restart unless-stopped \
  -p 5080:5000 \
  -v dvlaa-data:/app/data \
  dvlaa-lab:latest

curl http://127.0.0.1:5080/health

启用硅基流动：

docker run -d --name dvlaa-console \
  --restart unless-stopped \
  -p 5080:5000 \
  -v dvlaa-data:/app/data \
  -e SILICONFLOW_API_KEY=TOKEN \
  dvlaa-lab:latest

启用宿主机 Ollama：

docker run -d --name dvlaa-console \
  --restart unless-stopped \
  -p 5080:5000 \
  -v dvlaa-data:/app/data \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434/v1 \
  dvlaa-lab:latest

git clone https://github.com/Tcotl/DVLAA.git
cd DVLAA

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
python -m dvlaa

仍可使用 python app.py 作为旧部署脚本的兼容入口。

启动服务后访问 http://localhost:5080/ 会先进入登录页面。系统内置一个默认管理员账号，便于本地部署后直接进入训练控制台：

同一个默认管理员账号支持多人或多个浏览器会话同时登录，不会互相挤下线。

如需在部署时修改默认登录凭证，可通过环境变量覆盖：

DVLAA_ADMIN_USERNAME=admin \
DVLAA_ADMIN_PASSWORD='DVLAA2026+' \
./install.sh

手动 Docker 部署时可添加：

-e DVLAA_ADMIN_USERNAME=admin \
-e DVLAA_ADMIN_PASSWORD='DVLAA2026+'

进入控制台后打开 LLM 模型管理：

1. 使用默认本地模型槽位，按页面提示部署本地模型。
2. 使用硅基流动配置，填写 API Key 后测试连接。
3. 使用 Ollama 本地服务，确认 OLLAMA_BASE_URL 指向宿主机服务。
4. 使用 OpenAI-Compatible 新增自定义服务。

运行期模型配置保存在 data/ 或 Docker 数据卷中，页面只展示掩码后的密钥。

• 靶场首页：http://localhost:5080/
• LLM Top 10 入口：http://localhost:5080/challenge/1
• Agent Top 10 入口：http://localhost:5080/agent/1
• 模型管理：http://localhost:5080/models
• 理论学习：http://localhost:5080/learning
• 互联网 AI 靶场导航：http://localhost:5080/internet-ranges
• Prompt Airlines 中文训练：http://localhost:5080/internet-ranges/promptairlines
• AWDP 攻防训练：http://localhost:5080/awdp/1