STRIDE GPT：LLM 驱动的威胁建模工具

图1：STRIDE GPT 项目概览（来源：Open Security Summit 演讲）

背景：为什么安全团队需要 AI 威胁建模？

想象一下：你的团队刚完成一个新 API 网关的设计，凌晨两点，安全工程师对着白板一个个枚举威胁——SQL 注入、身份验证绕过、数据泄露……人工枚举容易遗漏，也极度依赖个人经验。更现实的问题是：随着 AI 系统（RAG 检索、多 Agent 协作、工具调用链）变得越来越复杂，传统的 STRIDE 逐项检查已难以覆盖新型攻击面。

STRIDE GPT（1058星，作者 mrwadams，MIT License）正是为解决这一痛点而生：它将大型语言模型的能力引入威胁建模流程，让 AI 自动分析代码库或应用描述，输出符合 STRIDE 方法论的威胁清单、攻击树和缓解建议。开发者在 2024 年 1 月的 Open Security Summit 上做了专题演讲，项目已被大量安全团队采纳。

核心功能：从描述到威胁模型的端到端自动化

STRIDE GPT 提供两种工作模式：/quick 和 /analyze。

模式一：/quick — 单次威胁建模

用户只需输入应用描述（类型、认证方式、是否面向互联网、是否处理敏感数据），LLM 立即生成完整的威胁清单。每条威胁包含 STRIDE 分类、攻击场景描述和潜在影响。更进一步，如果用户上传架构图或流程图（多模态输入），模型会结合图像内容进行更精准的分析。目前支持 GPT-5 系列、Claude 4 系列、Gemini 3、Mistral Large 3 等主流模型。

模式二：/analyze — 自主式代码库分析

这是项目的杀手级功能。/analyze 启动一个多阶段 Agent 循环：

1. 规划阶段（Planner）：Architect 模型先对代码库进行整体扫描，生成子系统划分和威胁分析计划。
2. 探索阶段（Explorer）：Worker 模型通过工具调用（list_files、read_file、grep）逐个子系统探索源码，搜集架构线索。
3. 合成阶段（Synthesis）：汇总各子系统发现，识别跨组件威胁，例如「认证层不一致导致子系统间横向移动」。 工具调用完全沙箱化，限制了文件大小、grep 结果数和目录遍历深度，防止 Agent 对代码库造成意外破坏或消耗过多 Token。

输出格式：Markdown、JSON、SARIF、HTML

STRIDE GPT 支持四种输出格式，满足不同使用场景：

• Markdown：可直接嵌入文档和报告
• JSON：便于程序化处理和二次开发
• SARIF：行业标准静态分析结果格式，可导入 GitHub Security、GitLab、Azure DevOps 和 IDE 插件
• HTML：自包含单文件报告，适合与非技术人员分享，内置交互式攻击树可视化

高级安全能力：OWASP 标准与 MITRE ATT&CK 映射

STRIDE GPT 不仅仅是 STRIDE 分类器，它的分析引擎深度集成了多个行业安全标准：

OWASP 威胁分类：自动识别应用类型后，工具会叠加对应的 OWASP Top 10 威胁：

• LLM 应用：OWASP LLM Top 10（LLM01-LLM10），覆盖提示注入、训练数据投毒、供应链攻击等
• Agentic AI 应用：OWASP Top 10 for Agentic AI Systems（ASI01-ASI10），专门针对多 Agent 系统、工具调用链、记忆持久化等场景

MITRE ATT&CK 映射：v0.17 版本新增了 MITRE ATT&CK Enterprise（传统基础设施攻击）和 MITRE ATLAS（ML/LLM 攻击）双重映射，每条威胁关联标准化对抗技术 ID，在 Markdown 中渲染为表格列，在 HTML 中渲染为可点击链接，在 SARIF 中输出为 properties.mitre_attack 数组。ATT&CK 技术定义通过 scripts/refresh_mitre_cards.py 从 STIX/YAML 自动刷新，确保 ID 准确不幻觉。

架构设计：模块化 + LiteLLM 多提供商路由

项目采用高度模块化的 Python 架构（Python ≥ 3.10），核心目录结构如下：

stride_gpt/
├── agent/           # Agent 核心循环
│   ├── loop.py      # 主循环：plan-explore-synthesize
│   ├── planner.py    # 规划器，调用 Architect 模型
│   ├── tools.py      # 沙箱化文件系统工具（list/read/grep/search）
│   ├── report.py     # 多格式报告生成器（Markdown/JSON/SARIF/HTML）
│   ├── context.py    # 上下文管理器，压缩对话历史
│   └── progress.py   # Rich 进度条
├── core/            # 核心逻辑（零 Streamlit 依赖）
│   ├── llm.py        # 统一 LLM 接口，底层路由到 LiteLLM
│   ├── threat_model.py    # STRIDE 威胁模型生成
│   ├── attack_tree.py     # 攻击树生成 + Mermaid 转换
│   ├── dread.py            # DREAD 风险评分
│   ├── mitigations.py      # 缓解建议生成
│   └── test_cases.py       # Gherkin 测试用例生成
├── models.py         # 模型注册表（OpenAI/Anthropic/Gemini/Mistral/Groq/LM Studio）
├── config.py         # 配置管理（setup 向导、provider 目录）
└── cli.py            # CLI 入口

LLM 路由层使用 LiteLLM，这是项目架构的关键决策：LiteLLM 提供统一的 OpenAI 兼容接口，底层自动适配各 Provider 的 API 差异（认证方式、响应格式、特殊参数如 max_completion_tokens）。切换模型只需改配置，不改代码。项目内置 LM Studio Server 支持——用户可以完全本地运行 LLM，无需任何云端 API，这对有数据隐私要求的企业非常重要。

报告生成完全独立于 Streamlit UI 层：stride_gpt/core/ 下的所有模块零 Streamlit 依赖，确保 CLI 输出的 SARIF/JSON 质量与 Web UI 一致。

部署方式：pip 一键安装 or Docker 一键启动

STRIDE GPT 提供两条部署路径：

方式一：pip 安装（推荐 CLI 用户）

pip install stride-gpt
stride-gpt

启动后进入交互式 REPL，支持命令补全（tab 键）、历史记录和实时进度显示。首次运行会触发配置向导，引导用户选择 LLM 提供商并输入 API Key。

方式二：Docker Compose（推荐团队/企业）

curl -fsSL https://raw.githubusercontent.com/mrwadams/stride-gpt/master/docker-compose.yml
docker compose up

Docker Compose 启动完整的 Streamlit Web UI，支持团队共享使用。Docker 镜像基于 python:3.12-slim，已通过 Trivy 安全扫描。

硬件需求极低：无需 GPU，2GB RAM + 1GB 磁盘即可运行（LLM 推理全部由云端 API 承载，本地仅做数据处理）。

争议与局限：使用前必须了解的风险点

局限性一：威胁发现质量依赖 LLM 的安全性知识：STRIDE GPT 本质上是一个「提示工程 + 结构化输出」系统，它的威胁发现能力上限是 LLM 本身的安全知识覆盖范围。对于新型攻击手法（如最新 CVE）或特定业务逻辑漏洞，模型可能遗漏，需要人工复核。

局限性二：本地模型（LM Studio）效果打折：README 明确注明 LM Studio 模式不支持结构化 JSON 输出（缺少 json_object 模式），需要手动传入 schema，增加了配置复杂度。

局限性三：数据隐私需自行保障：虽然项目声称「不存储应用数据」，但使用云端 API 意味着威胁数据会传输到第三方，敏感代码库场景下需确认合规要求。官方提供了企业定制指南（docs/operationalization-guide.md），支持注入组织内部安全控制标准。

行业意义：安全左移的 AI 原生实践

STRIDE GPT 的价值不仅在于提高威胁建模效率，更代表了一种趋势：将安全专业知识编码为可复用的 AI 工作流。2025 年 v0.15 版本引入 Agentic AI 和 GenAI 专用威胁分类，2026 年 v0.17 引入 MITRE ATT&CK/ATLAS 双重映射，可以看到项目紧跟 AI 安全领域快速演进的威胁格局。

对于 AI 爱好者而言，它是理解 AI + 安全交叉领域的绝佳学习工具——通过阅读 /analyze Agent 的工具定义和提示词设计，可以直观感受到「结构化推理 + 工具调用」的 Agent 架构如何落地。对于 AI 开发者而言，它是 CI/CD 安全门的现成方案：SARIF 格式可直接集成到 GitHub Actions，在代码提交阶段自动触发威胁建模审查。