correctover-ccs 1.1.0

Correctover Conformance Standard - AI/MCP Agent Security Audit Engine

Correctover Conformance Standard (CCS)

AI/MCP Agent 安全审计引擎 — 从静态代码扫描到可验证漏洞报告的完整工具链。

核心能力

CCS 专为 AI Agent / MCP (Model Context Protocol) 生态设计，提供六层递进式安全分析：

模块	功能	解决的问题
Module 1	输入可控性分类	参数是管理员配置还是外部可控？
Module 2	数据流追踪	输入能否到达危险函数？
Module 3	隐式失败检测	攻击链会不会被中间件/框架偷偷拦截？
Module 4	MCP专项规则	MCP协议层特有的安全风险
Module 5	置信度评分	多维交叉验证，过滤误报
Module 6	报告生成	自动生成 MSRC / Bugcrowd / GitHub Advisory 格式报告

快速开始

pip install correctover-ccs

# 对目标项目执行完整审计
ccs /path/to/target/project --output ./audit_results/

流水线架构

源代码 → [M1: 输入分类] → [M2: 数据流追踪] → [M3: 隐式失败检测] → [M4: MCP规则]
                                                                          ↓
                                                                   [M5: 置信度评分]
                                                                          ↓
                                                                   [M6: 报告生成]
                                                                          ↓
                                                                    漏洞报告 (Markdown)

MCP专项规则覆盖

• MCP-001: MCP HTTP URL零校验 → SSRF (CWE-918)
• MCP-002: MCP Stdio命令零校验 → 命令注入 (CWE-78)
• MCP-003: 工具注册无权限检查 (CWE-862)
• MCP-004: Agent间数据隔离不足 (CWE-200)
• MCP-005: 云元数据地址直接访问 (CWE-918)
• MCP-006: 技能/插件下载无URL验证 → SSRF (CWE-918)
• MCP-007: Prompt注入防护缺失 (CWE-74)
• MCP-008: 工具调用参数未验证 (CWE-20)

置信度评分体系

总分100分，五维度加权：

• 输入可控性 (30分): 外部可控=30, 认证用户=18, 管理员=6, 环境配置=3
• 数据流可达性 (25分): 无阻断=25, 有阻断=10, 不可达=0
• 隐式失败 (20分): 无失败=20, 1个失败点=10, 多个=4
• MCP规则匹配 (15分): 按严重性等比映射
• 影响严重性 (10分): 按CVSS等级映射

置信等级：HIGH(≥80) → 立即验证 | MEDIUM(50-79) → 安排验证 | LOW(<50) → 跳过

作为库使用

from ccs import CCSEngine

engine = CCSEngine("/path/to/target")
summary = engine.run_full_audit()
files = engine.export_results("./output/")

License

MIT