ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В АВТОМАТИЗИРОВАННОМ ТЕСТИРОВАНИИ НА ПРОНИКНОВЕНИЕ: МЕЖВЕТВЕВОЙ СТРУКТУРИРОВАННЫЙ ОБЗОР ДАННЫХ ОБ LLM-АГЕНТАХ И ОБУЧЕНИИ С ПОДКРЕПЛЕНИЕМ

Аннотация

Исследования автоматизированного тестирования на проникновение разделились на два слабо связанных направления: агенты на основе больших языковых моделей (LLM) и методы обучения с подкреплением (RL) на формальных моделях сети. Существующие обзоры охватывают лишь одно из них. Представлен структурированный межветвевой обзор шестидесяти двух работ 2019–2026 годов, собранных аудитом исходного набора, документированным поиском и методом снежного кома. Каждое первичное исследование закодировано по семи критериям; полная таблица кодирования опубликована с основаниями суждений. В выборке направления отказывают зеркально: LLM-агенты действуют в реалистичных средах, но не верифицируют своё состояние, а RL-агенты верифицируемо рассуждают о средах, абстрагирующих ключевые условия задачи. Показатели успешности обычно делятся на две группы в зависимости от того, кто построил оценочную среду, хотя метрики и условия испытаний различаются; то же отмечено в более широком независимом корпусе. Живую цель тестируют четыре из сорока пяти работ вне бенчмарков, три — одной группы. Данные корпуса обосновывают автоматизированное тестирование как поддержку решений, а не проверенную автономию.