📖 문서 | 🌐 🇬🇧 English · 🇨🇳 中文 · 🇯🇵 日本語 · 🇪🇸 Español · 🇩🇪 Deutsch · 🇫🇷 Français · 🇰🇷 한국어 · 🇧🇷 Português · 🇷🇺 Русский

🚀 Tencent Zhuque Lab의 AI 레드팀 플랫폼

A.I.G (AI-Infra-Guard)는 ClawScan(OpenClaw Security Scan), Agent Scan, AI 인프라 취약점 scan, MCP Server & Agent Skills scan, Jailbreak Evaluation 등의 기능을 통합하여, 사용자에게 가장 포괄적이고 지능적이며 사용하기 편리한 AI 보안 위험 자가 점검 솔루션을 제공하는 것을 목표로 합니다.

저희는 A.I.G(AI-Infra-Guard)를 업계 선도적인 AI 레드팀 플랫폼으로 만들기 위해 노력하고 있습니다. 더 많은 스타는 이 프로젝트가 더 넓은 범위의 사용자에게 도달하도록 도와주며, 더 많은 개발자들이 기여하도록 유도하여 반복 개선을 가속화합니다. 여러분의 스타는 저희에게 매우 소중합니다!

## 📋 사용자 피드백 설문조사 A.I.G 개선에 도움을 주세요! 3~5분만 투자하여 [사용자 피드백 설문조사](https://doc.weixin.qq.com/forms/AJEAIQdfAAoAFkA0QbdAFwCNcKSO0BFLf)를 작성해 주세요. 고품질 피드백을 제공하고 유효한 이메일 주소를 남겨주신 분께는 Tencent 특별 기념품을 보내드립니다.
## 🚀 새로운 소식 - **2026-06-25** · [v4.1.15](https://github.com/Tencent/AI-Infra-Guard/releases/tag/v4.1.15) — MCP Scan: 도구 오염지시지·자격 증명 정보 유출·명령 주입 3종 위협 탐지 규칙 추가; llama.cpp CVE 규칙 6종 추가; `model.token` 생략 시 시스템 기본 모델로 자동 대체. - **2026-06-18** · [v4.1.14](https://github.com/Tencent/AI-Infra-Guard/releases/tag/v4.1.14) — Prompt Security: 9개 신규 싱글턴 공격 오퍼레이터 추가; Agent 종합 레드팀 평가를 위한 신규 `aig-agent-redteam` skill 추가. - **2026-06-11** · [v4.1.13](https://github.com/Tencent/AI-Infra-Guard/releases/tag/v4.1.13) — 버전 확인 API 엔드포인트 신규 추가; 보안 점수를 절대 감점 모델로 전환하여 리스크 평가를 더욱 명확히 개선. - **2026-06-08** · [v4.1.12](https://github.com/Tencent/AI-Infra-Guard/releases/tag/v4.1.12) — 지문 라이브러리 확장: AI Web 지문 39개 신규 추가, 기존 18개 강화. - **2026-05-28** · [v4.1.10](https://github.com/Tencent/AI-Infra-Guard/releases/tag/v4.1.10) — 68개 AI 컴포넌트로 커버리지 확대(junoclaw, lollms, sglang 추가); 600개 이상의 신규 CVE 규칙 추가; Agent Scan에 WebSocket 프로바이더 지원. 👉 [이전 릴리스](../CHANGELOG.md) · 🔍 [aig-skill-scan](https://github.com/Tencent/AI-Infra-Guard/tree/main/skill-scan) · 📊 [SkillTrustBench](https://matrix.tencent.com/skilltrustbench/) · 🩺 [EdgeOne ClawScan](https://matrix.tencent.com/clawscan) ## 목차 - [🚀 빠른 시작](#-빠른-시작) - [✨ 주요 기능](#-주요-기능) - [🖼️ 스크린샷](#-스크린샷) - [📖 사용자 가이드](#-사용자-가이드) - [🔧 API 문서](#-api-문서) - [🏗️ 아키텍처 진화](../docs/architecture_evolution.md) - [📝 기여 가이드](#-기여-가이드) - [🛡️ 팀 소개](#️-팀-소개) - [🙏 감사의 말씀](#-감사의-말씀) - [💬 커뮤니티 참여](#-커뮤니티-참여) - [📖 인용](#-인용) - [📚 논문](#-논문) - [⚖️ 라이선스 및 저작권 표시](#️-라이선스-및-저작권-표시)

## 🚀 빠른 시작 ### 🐳 Docker를 이용한 배포 | Docker | RAM | 디스크 공간 | |:-------|:----|:----------| | 20.10 이상 | 4GB 이상 | 10GB 이상 | ```bash # 이 방법은 Docker Hub에서 사전 빌드된 이미지를 가져와 빠르게 시작합니다 git clone https://github.com/Tencent/AI-Infra-Guard.git cd AI-Infra-Guard # Docker Compose V2 이상의 경우 'docker-compose'를 'docker compose'로 교체하세요 docker-compose -f docker-compose.images.yml up -d ``` 서비스가 실행되면 다음 주소에서 A.I.G 웹 인터페이스에 접속할 수 있습니다: `http://localhost:8088`
#### OpenClaw에서 사용하기 OpenClaw 채팅에서 `aig-scanner` skill을 통해 A.I.G를 직접 호출할 수도 있습니다. ```bash clawhub install aig-scanner ``` 그런 다음 `AIG_BASE_URL`을 실행 중인 A.I.G 서비스 주소로 설정하세요. 자세한 내용은 [`aig-scanner` README](../skills/aig-scanner/README.md)를 참조하세요.

📦 추가 설치 옵션

### 기타 설치 방법 **방법 2: 원클릭 설치 스크립트（권장）** ```bash # 이 방법은 Docker를 자동으로 설치하고 A.I.G를 한 번의 명령으로 실행합니다 curl https://raw.githubusercontent.com/Tencent/AI-Infra-Guard/refs/heads/main/docker.sh | bash ``` **방법 3: 소스 코드로 빌드 및 실행** ```bash git clone https://github.com/Tencent/AI-Infra-Guard.git cd AI-Infra-Guard # 이 방법은 로컬 소스 코드에서 Docker 이미지를 빌드하고 서비스를 시작합니다 # (Docker Compose V2 이상의 경우 'docker-compose'를 'docker compose'로 교체하세요) docker-compose up -d ``` 참고: AI-Infra-Guard 프로젝트는 기업 또는 개인의 내부 사용을 위한 AI 레드팀 플랫폼으로 포지셔닝되어 있습니다. 현재 인증 메커니즘이 없으므로 공개 네트워크에 배포해서는 안 됩니다. 자세한 내용은 다음을 참조하세요: [https://tencent.github.io/AI-Infra-Guard/?menu=getting-started](https://tencent.github.io/AI-Infra-Guard/?menu=getting-started)

### ⚡ aig-skill-scan 한 줄 명령어로 설치 Agent Skill 보안 감사 도구로, 기업 CI/CD 파이프라인에 쉽게 통합할 수 있습니다. 취약점 분류는 [SkillTrustBench](https://matrix.tencent.com/skilltrustbench/) T01–T09 분류 체계에 맞춰져 있습니다. [자세히 보기 →](https://github.com/Tencent/AI-Infra-Guard/tree/main/skill-scan) ```bash pip install aig-skill-scan # 환경 변수로 API 키 설정 export LLM_API_KEY="your-api-key" # 로컬 Skill 프로젝트 디렉토리 scan aig-skill-scan --repo /path/to/your/skill \ -m deepseek-v4-flash \ --language en \ -o result.json ``` ### 🌟 온라인 Pro 버전 체험하기 고급 기능과 향상된 성능을 갖춘 Pro 버전을 경험해 보세요. Pro 버전은 [초대 코드](https://wj.qq.com/s2/25099467/25vn/)가 필요하며, 이슈·풀 리퀘스트·토론을 제출했거나 커뮤니티 성장에 적극적으로 기여한 분들을 우선적으로 제공합니다. 방문: [https://aigsec.ai/](https://aigsec.ai/).

## ✨ 주요 기능 ### 🔍 aig-skill-scan 성능 및 커버리지 [SkillTrustBench](https://matrix.tencent.com/skilltrustbench/)에서의 다양한 LLM 성능: | # | 모델 | F1 | Precision | Recall | FPR | |:--|:------|:---|:----------|:-------|:----| | 1 | Claude Opus 4.6 | **0.9848** | 0.9725 | **0.9974** | 0.0663 | | 2 | GLM 5.1 | 0.9836 | 0.9701 | **0.9974** | 0.0723 | | 3 | Gemini 3.5 Flash | 0.9792 | **0.9947** | 0.9641 | **0.0120** | | 4 | Kimi 2.6 | 0.9780 | 0.9895 | 0.9667 | 0.0241 | | 5 | DeepSeek v4 Flash | 0.9740 | 0.9868 | 0.9615 | 0.0301 | 9가지 Skill 보안 위험 카테고리 커버 (SkillTrustBench T01–T09): | 계층 | 위험 | |:------|:--------| | A · 지시 & 메모리 | T01 Skill 지시 하이재킹, T02 메모리 포이즈닝 | | B · 코드 실행 | T03 원격 페이로드 다운로드 & 실행, T04 내장 악성 코드 | | C · 시스템 권한 | T05 권한 상승 & 비인가 접근, T06 시스템 지속성 | | D · 툴체인 & 의존성 | T07 도구 하이재킹 & 위장, T08 안전하지 않은 의존성 | | E · Skill 코드 품질 | T09 안전하지 않은 코딩 관행 | 전체 리더보드 및 상세 정보는 [SkillTrustBench](https://matrix.tencent.com/skilltrustbench/)를 방문하세요. ### 🔬 보안 scan 및 평가 | 기능 | 상세 정보 | |:--------|:------------| | **[ClawScan(OpenClaw Security Scan)](https://matrix.tencent.com/clawscan)** | OpenClaw 보안 위험에 대한 원클릭 평가를 지원합니다. 안전하지 않은 설정, Skill 위험, CVE 취약점 및 개인정보 유출을 탐지합니다. | | **Agent Scan** | AI Agent 워크플로우의 보안을 평가하도록 설계된 독립적인 다중 Agent 자동화 scan 프레임워크입니다. Dify 및 Coze를 포함한 다양한 플랫폼에서 실행되는 Agent를 원활하게 지원합니다. | | **MCP Server & Agent Skills scan** | 14가지 주요 보안 위험 카테고리를 철저히 탐지합니다. MCP Server와 Agent Skills 모두에 적용됩니다. 소스 코드와 원격 URL 모두에서 유연하게 scan을 지원합니다. | | **AI 인프라 취약점 scan** | 100개 이상의 AI 프레임워크 컴포넌트를 정확하게 식별합니다. 1,900개 이상의 알려진 CVE 취약점을 커버합니다. Ollama, ComfyUI, vLLM, n8n, Triton Inference Server 등의 프레임워크를 지원합니다. | | **Jailbreak Evaluation** | 엄선된 데이터셋을 사용하여 prompt 보안 위험을 평가합니다. 다양한 공격 방법을 적용하여 견고성을 테스트합니다. 상세한 모델 간 비교 기능도 제공합니다. |

💎 추가 혜택

- 🖥️ **현대적인 웹 인터페이스**: 원클릭 scan 및 실시간 진행 상황 추적이 가능한 사용자 친화적 UI - 🔌 **완전한 API**: 쉬운 통합을 위한 전체 인터페이스 문서 및 Swagger 사양 - 🤖 **Agent 지원**: ClawHub에서 바로 사용 가능한 에이전트 스킬 — [EdgeOne ClawScan](https://clawhub.ai/aigsec/edgeone-clawscan), [EdgeOne Skill Scanner](https://clawhub.ai/aigsec/edgeone-skill-scanner), [AIG Scanner](https://clawhub.ai/aigsec/aig-scanner) — 보안 스캔을 모든 AI 에이전트 워크플로에 손쉽게 통합 - 🌐 **다국어 지원**: 현지화된 문서와 함께 중국어 및 영어 인터페이스 제공 - 🐳 **크로스 플랫폼**: Docker 기반 배포로 Linux, macOS 및 Windows 지원 - 🆓 **무료 오픈소스**: Apache 2.0 라이선스 하에 완전 무료

## 🖼️ 스크린샷 ### A.I.G 메인 인터페이스 ![A.I.G Main Page](../img/aig.gif) ### 플러그인 관리 ![Plugin Management](../img/plugin-gif.gif)
## 🗺️ 빠른 사용 가이드 > 배포 후 브라우저에서 `http://localhost:8088`을 엽니다. ### AI 인프라 취약점 Scan **대상 URL / IP에 무엇을 입력해야 하나요?** 대상은 GitHub URL이나 소스 코드 경로가 아니라, scan하려는 **실행 중인 AI 서비스의 네트워크 주소**입니다. A.I.G는 라이브 서비스에 연결하여 알려진 CVE 취약점에 대한 지문을 채취합니다. | 시나리오 | 예시 대상 | |:---------|:--------------| | 로컬에서 실행 중인 vLLM 인스턴스 | `http://127.0.0.1:8000` | | LAN의 Ollama 서버 | `http://192.168.1.100:11434` | | 내부적으로 노출된 ComfyUI 인스턴스 | `http://10.0.0.5:8188` | | 여러 호스트 (한 줄에 하나씩) | `192.168.1.0/24` (CIDR), `10.0.0.1-10.0.0.20` (범위) | **단계별 가이드: 로컬 vLLM 인스턴스 Scan** 1. vLLM을 정상적으로 시작합니다 (예: `python -m vllm.entrypoints.api_server --model meta-llama/...`) 2. A.I.G 웹 UI에서 **"AI基础设施安全扫描 / AI Infra Scan"**을 클릭합니다. 3. `http://127.0.0.1:8000`을 입력합니다 (또는 vLLM이 수신 대기 중인 IP/포트) 4. **Start Scan**을 클릭합니다 — A.I.G가 서비스의 지문을 채취하여 1,900개 이상의 알려진 CVE와 매칭합니다. 5. 보고서를 확인합니다: 컴포넌트 버전, 매칭된 취약점, 심각도 및 수정 링크 > 💡 **팁**: 특별히 vLLM의 *nightly* 빌드를 scan하려면 해당 nightly 빌드를 실행하고 A.I.G가 그 주소를 가리키도록 하세요. scanner가 버전을 자동으로 탐지합니다. ### MCP Server & Agent Skills Scan **원격 URL** (예: `https://github.com/user/mcp-server`)을 입력하거나 **로컬 소스 아카이브를 업로드**하세요 — 실행 중인 인스턴스가 필요 없습니다. ### Jailbreak Evaluation **설정 → 모델 설정**에서 대상 LLM의 API 엔드포인트(기본 URL + API 키)를 구성한 다음, 데이터셋을 선택하고 평가를 시작합니다. --- ## 📖 사용자 가이드 온라인 문서를 방문하세요: [https://tencent.github.io/AI-Infra-Guard/](https://tencent.github.io/AI-Infra-Guard/) 더 자세한 FAQ 및 문제 해결 가이드는 [문서](https://tencent.github.io/AI-Infra-Guard/?menu=faq)를 방문하세요.

## 🔧 API 문서 A.I.G는 AI 인프라 scan, MCP Server Scan 및 Jailbreak Evaluation 기능을 지원하는 포괄적인 작업 생성 API 세트를 제공합니다. 프로젝트 실행 후 `http://localhost:8088/docs/index.html`을 방문하여 전체 API 문서를 확인하세요. 자세한 API 사용 지침, 파라미터 설명 및 전체 예제 코드는 [전체 API 문서](../api.md)를 참조하세요.

## 📝 기여 가이드 확장 가능한 플러그인 프레임워크는 A.I.G의 아키텍처 핵심으로, 플러그인 및 기능 기여를 통한 커뮤니티 혁신을 환영합니다. ### 플러그인 기여 규칙 1. **지문 규칙**: `data/fingerprints/` 디렉토리에 새로운 YAML 지문 파일을 추가하세요. 2. **취약점 규칙**: `data/vuln/` 디렉토리에 새로운 취약점 scan 규칙을 추가하세요. 3. **MCP 플러그인**: `data/mcp/` 디렉토리에 새로운 MCP 보안 scan 규칙을 추가하세요. 4. **Jailbreak Evaluation 데이터셋**: `data/eval` 디렉토리에 새로운 Jailbreak 평가 데이터셋을 추가하세요. 기존 규칙 형식을 참고하여 새 파일을 만들고 Pull Request를 통해 제출해 주세요. ### 기타 기여 방법 - 🐛 [버그 신고](https://github.com/Tencent/AI-Infra-Guard/issues) - 💡 [새로운 기능 제안](https://github.com/Tencent/AI-Infra-Guard/issues) - ⭐ [문서 개선](https://github.com/Tencent/AI-Infra-Guard/pulls)

## 🛡️ 팀 소개 본 프로젝트는 텐센트 보안 플랫폼 부서 산하의 텐센트 주작 연구소(Tencent Zhuque Lab) 가 주도하여 개발하고 있습니다. 텐센트 주작 연구소는 2019년에 설립된 최고 수준의 보안 연구소로, AI 보안 분야의 실전 공방 및 최첨단 기술 연구에 집중하고 있으며, 연구 분야는 대규모 언어 모델 보안, AI 에이전트 보안, AI 기반 보안, AI 생성 콘텐츠 탐지 등을 포괄합니다. 본 팀은 **NVIDIA, Google, Microsoft** 등 유수의 기업과 **OpenClaw, Linux, Hugging Face** 등의 오픈 소스 커뮤니티의 다수의 고위험 취약점 수정에 기여해 왔으며, 공식적인 공개 감사를 받은 바 있습니다. 오픈 소스 AI 레드팀 보안 테스트 플랫폼 A.I.G(AI-Infra-Guard) 와 **주작 AI 탐지 어시스턴트** 등 AI 보안 제품을 출시했습니다. 연구 성과는 **Black Hat, DEF CON, ICLR, CVPR, NeurIPS, ACL** 등 국제 최고 수준의 보안 및 AI 학술 대회에서 폭넓게 발표되었으며, 저서 『AI 보안: 기술과 실전』을 출간했습니다. ### 👥 핵심 멤버 및 기여 | 역할 | 멤버 | 기여 | | --- | --- | --- | | 텐센트 보안 플랫폼 부서 책임자 | **Yong Yang(양용)** | A.I.G 프로젝트를 시작하고 "AI 에이전트 제어 불능 리스크의 자동화 평가" 방향을 제시하여, 본 플랫폼을 AI 인프라 취약점 스캔에서 에이전트 실행 리스크, 도구 오용, 권한 경계 평가까지 확장하도록 견인. | | 텐센트 주작 연구소 책임자 | **Xing Zheng(정흥)** | 자동화된 취약점 업데이트 및 벤치마크 정렬 메커니즘을 제안하여 AI Infra 핑거프린트, CVE/GHSA 규칙 및 벤치마크 체계의 지속적인 반복 개선을 추진. | | 프로젝트 리더 | **Nicky** | 최첨단 보안 연구, 제품 기획, 기술 노선 결정, 내·외부 협업 및 홍보를 담당. | | 기술 리더 | **Python** | 전체 아키텍처 설계, 핵심 모듈 개발 및 버전 이터레이션을 담당. | | 핵심 기여자 | **Zona** | 프론트엔드 인터랙션 및 제품 경험, 커뮤니티 운영, 사용자 피드백 클로즈드 루프를 담당. | | 핵심 기여자 | **Fyoung** | AI Infra 취약점 컴포넌트 핑거프린트 업데이트 및 벤치마크 체계 구축을 담당. | | 핵심 기여자 | **Robert** | 대규모 모델 보안 평가(탈옥 평가) 전략 운영을 담당. | | 핵심 기여자 | **Zoe** | 대규모 모델 보안 평가(탈옥 평가) 및 모델 연동 모듈 연구개발을 담당. | | 핵심 기여자 | **Xiangfan** | Skill 및 에이전트 제어 불능 관련 보안 기능 연구개발을 담당. | | 기여자 | **Ronin** | AI 에이전트 보안 스캔 연구개발에 참여. | | 기여자 | **Rsin** | 커뮤니티 운영 및 캠페인 홍보에 참여. |
## 🙏 감사의 말씀 ### 🎓 학술 협력 학술 파트너들의 연구 기여와 기술 지원에 감사드립니다. ####

_{Prof. hui Li}

_Bin Wang

_Zexin Liu

_Hao Yu

_Ao Yang

_Zhengxi Lin

####

_{Prof. Zhemin Yang}

_{Kangwei Zhong}

_Jiapeng Lin

_Cheng Sheng

### 👥 기여해 주신 개발자분들께 감사드립니다 A.I.G 프로젝트에 기여해 주신 모든 개발자분들께 감사드립니다.

### 🤝 사용자 여러분께 감사드립니다 다음 기업 및 팀의 사용자분들께 A.I.G를 이용해 주시고 소중한 피드백을 보내주신 것에 감사드립니다.

## 💬 커뮤니티 참여 ### 🌐 온라인 토론 - **GitHub Discussions**: [커뮤니티 토론에 참여하기](https://github.com/Tencent/AI-Infra-Guard/discussions) - **이슈 및 버그 신고**: [이슈 신고 또는 기능 제안](https://github.com/Tencent/AI-Infra-Guard/issues) ### 📱 토론 커뮤니티

WeChat 그룹	Discord [링크]

### 📧 문의하기 협력 문의 또는 피드백은 다음 이메일로 연락해 주세요: [zhuque@tencent.com](mailto:zhuque@tencent.com) ### 🔗 추천 보안 도구 코드 보안에 관심이 있으시다면 [A.S.E (AICGSecEval)](https://github.com/Tencent/AICGSecEval)을 확인해 보세요. 이는 Tencent 悟空 코드 보안 팀이 오픈소스로 공개한 업계 최초의 저장소 수준 AI 생성 코드 보안 평가 프레임워크입니다.

## 📖 인용 연구에서 A.I.G를 사용하신 경우 다음과 같이 인용해 주세요: ```bibtex @misc{Tencent_AI-Infra-Guard_2025, author={{Tencent Zhuque Lab}}, title={{AI-Infra-Guard: A Comprehensive, Intelligent, and Easy-to-Use AI Red Teaming Platform}}, year={2025}, howpublished={GitHub repository}, url={https://github.com/Tencent/AI-Infra-Guard} } ```
## 📚 논문 1. **"Securing the AI Agent: A Unified Framework for Multi-Layer Agent Red Teaming"** — 인프라, 공급망, 런타임 인터랙션, 배포 면에 걸쳐 다층 레드 팀이밍을 통해 AI 에이전트 시스템을 보호하는 포괄적인 프레임워크입니다. [[arXiv]](https://arxiv.org/pdf/2606.31227) [[pdf]](../Securing_the_AI_Agent.pdf) 2. **"AI-Infra-Guard Technical Report"** — A.I.G 플랫폼 기술 보고서로, 아키텍처 설계, 스캔 엔진 및 평가 방법론을 다룹니다. [[pdf]](../AIG_Technical_Report.pdf) 3. **"AI-Infra-Guard: An AI Red Teaming Platform"** — Black Hat Europe 2025 Arsenal 프레젠테이션으로, A.I.G의 전체 기능과 실전 사례를 소개합니다. [[pdf]](../Arsenal-BHEU2025-AI-Infra-Guard.pdf) 4. **"MCP Unchained: Compromising The AI Agent Ecosystem Via Its Universal Connector"** — Black Hat Europe 2025 발표로, AI 에이전트 생태계에서 MCP 프로토콜의 보안 위험을 밝힌 연구입니다. [[pdf]](../BHEU-25-MCP-Unchained-Compromising-The-AI-Agent-Ecosystem-Via-Its-Universal-Connector.pdf) 학술 연구에서 A.I.G를 인용해 주신 연구팀에 감사드립니다 (19편):

📄 인용된 논문 19편 모두 보기

1. Chenning Li, Pan Hu, Justin Xu et al. **"ADR: An Agentic Detection System for Enterprise Agentic AI Security."** arXiv preprint arXiv:2605.17380 (2026). [[pdf]](http://arxiv.org/abs/2605.17380v1) 2. Zhaojiacheng Zhou. **"Proteus: A Self-Evolving Red Team for Agent Skill Ecosystems."** arXiv preprint arXiv:2605.11891 (2026). [[pdf]](http://arxiv.org/abs/2605.11891v1) 3. Hengkai Ye, Zhechang Zhang, Jinyuan Jia et al. **"TRUSTDESC: Preventing Tool Poisoning in LLM Applications via Trusted Description Generation."** arXiv preprint arXiv:2604.07536 (2026). [[pdf]](https://arxiv.org/abs/2604.07536) 4. Zenghao Duan, Yuxin Tian, Zhiyi Yin et al. **"SkillAttack: Automated Red Teaming of Agent Skills through Attack Path Refinement."** arXiv preprint arXiv:2604.04989 (2026). [[pdf]](https://arxiv.org/abs/2604.04989) 5. Yiheng Huang, Zhijia Zhao, Bihuan Chen et al. **"From Component Manipulation to System Compromise: Understanding and Detecting Malicious MCP Servers."** arXiv preprint arXiv:2604.01905 (2026). [[pdf]](https://arxiv.org/abs/2604.01905) 6. Yi Ting Shen, Kentaroh Toyoda, Alex Leung. **"MCP-38: A Comprehensive Threat Taxonomy for Model Context Protocol Systems (v1.0)."** arXiv preprint arXiv:2603.18063 (2026). [[pdf]](https://arxiv.org/abs/2603.18063) 7. Yuepeng Hu, Yuqi Jia, Mengyuan Li et al. **"MalTool: Malicious Tool Attacks on LLM Agents."** arXiv preprint arXiv:2602.12194 (2026). [[pdf]](https://arxiv.org/abs/2602.12194) 8. Naen Xu, Jinghuai Zhang, Ping He et al. **"FraudShield: Knowledge Graph Empowered Defense for LLMs against Fraud Attacks."** arXiv preprint arXiv:2601.22485v1 (2026). [[pdf]](http://arxiv.org/abs/2601.22485v1) 9. Ruiqi Li, Zhiqiang Wang, Yunhao Yao et al. **"MCP-ITP: An Automated Framework for Implicit Tool Poisoning in MCP."** arXiv preprint arXiv:2601.07395v1 (2026). [[pdf]](http://arxiv.org/abs/2601.07395v1) 10. Jingxiao Yang, Ping He, Tianyu Du et al. **"HogVul: Black-box Adversarial Code Generation Framework Against LM-based Vulnerability Detectors."** arXiv preprint arXiv:2601.05587v1 (2026). [[pdf]](http://arxiv.org/abs/2601.05587v1) 11. Teofil Bodea, Masanori Misono, Julian Pritzi et al. **"Trusted AI Agents in the Cloud."** arXiv preprint arXiv:2512.05951v1 (2025). [[pdf]](http://arxiv.org/abs/2512.05951v1) 12. Yunyi Zhang, Shibo Cui, Baojun Liu et al. **"Beyond Jailbreak: Unveiling Risks in LLM Applications Arising from Blurred Capability Boundaries."** arXiv preprint arXiv:2511.17874v2 (2025). [[pdf]](http://arxiv.org/abs/2511.17874v2) 13. Bin Wang, Zexin Liu, Hao Yu et al. **"MCPGuard: Automatically Detecting Vulnerabilities in MCP Servers."** arXiv preprint arXiv:2510.23673v1 (2025). [[pdf]](http://arxiv.org/abs/2510.23673v1) 14. Weibo Zhao, Jiahao Liu, Bonan Ruan et al. **"When MCP Servers Attack: Taxonomy, Feasibility, and Mitigation."** arXiv preprint arXiv:2509.24272v1 (2025). [[pdf]](http://arxiv.org/abs/2509.24272v1) 15. Ping He, Changjiang Li, et al. **"Automatic Red Teaming LLM-based Agents with Model Context Protocol Tools."** arXiv preprint arXiv:2509.21011 (2025). [[pdf]](https://arxiv.org/abs/2509.21011) 16. Christian Coleman. **"Behavioral Detection Methods for Automated MCP Server Vulnerability Assessment."** (2025). [[pdf]](https://digitalcommons.odu.edu/cgi/viewcontent.cgi?article=1138&context=covacci-undergraduateresearch) 17. Yixuan Yang, Daoyuan Wu, Yufan Chen. **"MCPSecBench: A Systematic Security Benchmark and Playground for Testing Model Context Protocols."** arXiv preprint arXiv:2508.13220 (2025). [[pdf]](https://arxiv.org/abs/2508.13220) 18. Yongjian Guo, Puzhuo Liu, et al. **"Systematic Analysis of MCP Security."** arXiv preprint arXiv:2508.12538 (2025). [[pdf]](https://arxiv.org/abs/2508.12538) 19. Zexin Wang, Jingjing Li, et al. **"A Survey on AgentOps: Categorization, Challenges, and Future Directions."** arXiv preprint arXiv:2508.02121 (2025). [[pdf]](https://arxiv.org/abs/2508.02121)

📧 연구나 제품에서 A.I.G를 사용하셨거나, 저희가 실수로 귀하의 출판물을 누락했다면 연락 주시기 바랍니다! [문의하기](#-커뮤니티-참여).

## ⚖️ 라이선스 및 저작권 표시 이 프로젝트는 **Apache License 2.0** 하에 오픈소스로 공개됩니다. 다음 저작권 표시 요건에 따라 커뮤니티 기여, 통합 및 파생 작업을 적극 환영합니다: 1. **고지 사항 유지**: 배포 시 원본 프로젝트의 `LICENSE` 및 `NOTICE` 파일을 반드시 유지해야 합니다. 2. **제품 저작권 표시**: AI-Infra-Guard의 핵심 코드, 컴포넌트 또는 scan 엔진을 오픈소스 프로젝트, 상업용 제품 또는 내부 플랫폼에 통합하는 경우, **제품 문서, 사용 가이드 또는 UI "정보" 페이지**에 다음을 명확히 기재해야 합니다: > "This project integrates [AI-Infra-Guard](https://github.com/Tencent/AI-Infra-Guard), open-sourced by Tencent Zhuque Lab." 3. **학술 및 기사 인용**: 취약점 분석 보고서, 보안 연구 기사 또는 학술 논문에서 이 도구를 사용하는 경우 "Tencent Zhuque Lab AI-Infra-Guard"를 명시적으로 언급하고 저장소 링크를 포함해 주세요. 출처를 밝히지 않고 이 프로젝트를 독자적인 제품으로 재포장하는 것은 엄격히 금지됩니다.

[![Star History Chart](https://api.star-history.com/svg?repos=Tencent/AI-Infra-Guard&type=Date)](https://star-history.com/#Tencent/AI-Infra-Guard&Date)