pwnagotchi

一只会「吃」WiFi 密码的 AI 宠物

想象一下：你养了一只电子宠物，它不像普通猫咪那样讨食，而是悄悄「嗅探」周围的 WiFi 网络信号，一旦捕捉到可破解的 WPA 握手包，就兴奋地「吃掉」它们——这就是 Pwnagotchi。

2026 年 5 月更新：该项目在 GitHub 已获得 9000+ Stars，被安全研究者广泛使用，并持续活跃于 Discord 社区。

起源：安全研究员的「养成游戏」

Pwnagotchi 由意大利安全研究员 Simone "evilsocket" Margaritelli 于 2019 年创建。Margaritelli 以打造开源安全工具闻名（如 BetterCAP），他在思考如何让 WPA 密码破解更高效时，产生了这个天才想法：与其手动操控 WiFi 攻击工具，不如训练一个 AI 自主学习最佳攻击策略。

项目名称融合了 Pokémon（宠物小精灵）的「gotchi」和 pwn（安全圈俚语，意为「攻陷」）——某种意义上，它就是你口袋里那只永远吃不饱的 WiFi 密码猎手。

工作原理：强化学习驱动的 WiFi 黑客

Pwnagotchi 使用 A2C（Advantage Actor-Critic）强化学习算法，搭配 LSTM 策略网络（MlpLstmPolicy）来学习最优的 WiFi 攻击参数。与下棋或打游戏不同，Pwnagotchi 的「游戏环境」是真实的无线空间。

核心学习流程：

1. 感知环境：通过 Scapy + BetterCAP 扫描周围 AP（无线基站）和客户端设备，记录信号强度、加密方式、信道分布
2. 选择行动：决定何时切换信道、何时发起去认证攻击（deauth）来强制客户端重连并捕获握手包
3. 获取奖励：成功捕获新的可破解握手包时获得正奖励；如果长时间无进展则获得负奖励（"无聊"信号）
4. 调整策略：A2C 算法逐步优化 LSTM 网络权重，让 AI 在特定环境中找到最佳攻击节奏

作者巧妙地利用了 稳定状态策略（Stable Baselines） 库来实现 A2C，降低了强化学习实现的门槛，让更多安全爱好者能参与调优。

图1：Pwnagotchi 电子宠物界面 — e-ink 屏幕实时显示表情、状态和捕获统计

技术架构：模块化设计

核心入口为 bin/pwnagotchi Python 脚本，整体采用分层架构：

• agent.py 是核心 Agent，继承 Client（bettercap API）、Automata（有限状态机）、AsyncAdvertiser（Mesh）、AsyncTrainer（训练）
• ai/ 模块封装了 A2C 强化学习逻辑：train.py（训练）、epoch.py（单轮环境）、reward.py（奖励函数）、gym.py（Gym 接口封装）
• plugins/ 实现插件系统，默认插件包括 grid（Mesh 上报）、auto-update、wpa-sec（自动提交握手包）等
• ui/ 支持多种显示方式：e-ink（Inky 驱动）、Web（Flask）、命令行

关键依赖：

• tensorflow==1.13.1 — 深度学习后端（较老版本，存在安全风险）
• stable-baselines==2.7.0 — 强化学习算法封装（A2C + MlpLstmPolicy）
• scapy==2.4.3 — 原始网络包构造与发送
• bettercap — 实际的 WiFi 攻击执行引擎（需单独安装）
• flask==1.0.2 — 内置 Web UI 服务器
• inky==1.2.0 — e-ink 屏幕驱动

上手体验：硬件门槛

最低硬件配置：

• Raspberry Pi Zero W / 3B+ / 4（推荐 3B+ 以上）
• e-ink 显示模组（Inky pHAT 或 PaPiRus）
• 支持监控模式的 WiFi 网卡（RTL8812AU 芯片组是首选）
• 8GB+ SD 卡

安装流程（非 Docker）： 通过 Packer 交叉编译 ARM 镜像后烧录 SD 卡，配置 bettercap 参数后启动。不支持云端部署，必须有物理硬件。

纯 CLI 开发者可以直接在 Linux 上 pip install -e . 安装 Python 包运行（无 e-ink 显示）。

图2：Pwnagotchi 官方 Logo

Web UI 与多设备协作

即便没有 e-ink 屏幕，也能通过 Flask 内置的 Web UI（默认 http://pwnagotchi:8080）监控 Pwnagotchi 的状态。多台 Pwnagotchi 靠近时会通过 Mesh 协议（在 dot11 帧中嵌入自定义信息元素）互相发现，协商信道分配——两台设备会自动"商量"谁负责 2.4GHz、谁负责 5GHz，协同最大化破解效率。

争议与局限

1. 合法性问题：仅应在自己的网络或获得授权的环境中使用，未经许可攻击他人 WiFi 在大多数司法管辖区属于违法
2. TensorFlow 1.x 依赖：项目使用 2019 年的 TF1，至今未升级到 TF2，存在已知 CVE 漏洞
3. 过时依赖包：requirements.txt 中的 requests==2.21.0 等版本已不再维护
4. 强化学习收敛慢：在单一固定环境下，AI 可能需要数小时到数天才能学到有意义的行为策略

行业意义

Pwnagotchi 将原本枯燥的 WiFi 安全研究「游戏化」，降低了 WPA 密码审计的门槛，同时展示了 强化学习在网络安全领域的实际应用价值。它证明了即便在嵌入式设备上，也能运行有意义的 RL 代理。

项目至今保持活跃维护，Discord 社区拥有数千成员，持续产出插件贡献（wpa-sec 自动提交、WiGLE 地图上报、Tweet 通知等）。

适合人群： 安全研究员、CTF 玩家、对强化学习在嵌入式系统落地感兴趣的学习者。