Maximizing Penetration Testing Success with Effective Reconnaissance Techniques Using ChatGPT - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Asian Journal of Research in Computer Science Année : 2024

Maximizing Penetration Testing Success with Effective Reconnaissance Techniques Using ChatGPT

Optimisation du succès des tests de pénétration grâce à des techniques de reconnaissance efficaces en utilisant ChatGPT

Résumé

Background/Objective: The study investigates the integration of ChatGPT, a generative pretrained transformer language model into the reconnaissance phase of penetration testing. The research aims to enhance the efficiency and depth of information gathering during critical security assessments offering potential improvements to traditional approaches. Research Problem: The research study addresses the challenge of optimizing the reconnaissance phase in penetration testing. It seeks to provide a solution by exploring the capabilities of ChatGPT in extracting valuable data, such as various aspects of the digital footprint or infrastructure of a system or an organization. The scope of the research relies in demonstrating how ChatGPT can contribute to the planning phase of penetration testing, guiding the selection of tactics, tools, and techniques for identifying and mitigating potential risks that could be used to assist with securing Internet accessible assets of a system or an organization. Methodology: The research adopts a case study methodology to assess the effectiveness of ChatGPT in reconnaissance. Tailored questions are formulated to extract specific information relevant to penetration testing. The study highlights the importance of prompt engineering emphasizing the need for carefully constructed questions to ensure usable results. Results: The research showcases the ability of ChatGPT to provide diverse and insightful reconnaissance information. The extracted data includes IP address ranges, domain names, vendor technologies, SSL/TLS ciphers, and network protocols. The information gathering improves efficiency of the reconnaissance phase aiding penetration testers in planning subsequent phases of the assessment. Discussion: The research study extends to the broader field of cybersecurity where artificial intelligence language models can play a valuable role in enhancing the success of reconnaissance in penetration testing. The research suggests that integrating ChatGPT into penetration testing can bring about positive changes in the efficiency and depth of information obtained during reconnaissance. Conclusion: The results of the study determine that incorporating ChatGPT in the reconnaissance phase significantly benefits penetration testers by offering valuable insights and streamlining subsequent assessment planning. The results affirm ChatGPT as a pivotal tool in maximizing success in penetration testing, contributing to ongoing advancements in cybersecurity practices.
Contexte/Objectif : L'étude examine l'intégration de ChatGPT, un modèle de langage transformer pré-entraîné génératif, dans la phase de reconnaissance des tests de pénétration. La recherche vise à améliorer l'efficacité et la profondeur de la collecte d'informations lors d'évaluations de sécurité critiques, offrant ainsi des améliorations potentielles par rapport aux approches traditionnelles. Problématique de recherche : L'étude aborde le défi d'optimiser la phase de reconnaissance dans les tests de pénétration. Elle cherche à fournir une solution en explorant les capacités de ChatGPT dans l'extraction de données précieuses, telles que divers aspects de l'empreinte numérique ou de l'infrastructure d'un système ou d'une organisation. Le champ de recherche repose sur la démonstration de la manière dont ChatGPT peut contribuer à la phase de planification des tests de pénétration, en guidant la sélection des tactiques, des outils et des techniques pour identifier et atténuer les risques potentiels pouvant être utilisés pour aider à sécuriser les actifs accessibles via Internet d'un système ou d'une organisation. Méthodologie : La recherche adopte une méthodologie d'étude de cas pour évaluer l'efficacité de ChatGPT dans la reconnaissance. Des questions adaptées sont formulées pour extraire des informations spécifiques pertinentes pour les tests de pénétration. L'étude met en évidence l'importance de l'ingénierie rapide en soulignant la nécessité de questions soigneusement construites pour garantir des résultats utilisables. Résultats : La recherche montre la capacité de ChatGPT à fournir des informations de reconnaissance diverses et perspicaces. Les données extraites comprennent les plages d'adresses IP, les noms de domaine, les technologies des fournisseurs, les chiffrements SSL/TLS et les protocoles réseau. La collecte d'informations améliore l'efficacité de la phase de reconnaissance, aidant les testeurs de pénétration à planifier les phases suivantes de l'évaluation. Discussion : L'étude de recherche s'étend au domaine plus large de la cybersécurité où les modèles de langage d'intelligence artificielle peuvent jouer un rôle précieux dans l'amélioration du succès de la reconnaissance dans les tests de pénétration. La recherche suggère que l'intégration de ChatGPT dans les tests de pénétration peut entraîner des changements positifs dans l'efficacité et la profondeur des informations obtenues lors de la reconnaissance. Conclusion : Les résultats de l'étude déterminent que l'incorporation de ChatGPT dans la phase de reconnaissance bénéficie considérablement aux testeurs de pénétration en offrant des perspectives précieuses et en rationalisant la planification des évaluations ultérieures. Les résultats confirment que ChatGPT est un outil pivot dans la maximisation du succès des tests de pénétration, contribuant aux avancées continues dans les pratiques de cybersécurité.
Fichier principal
Vignette du fichier
Maximizing Penetration Testing Success with Effective Reconnaissance Techniques Using ChatGPT.pdf (3.9 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Licence : CC BY - Paternité

Dates et versions

hal-04476499 , version 1 (25-02-2024)

Licence

Paternité

Identifiants

Citer

Sheetal Temara. Maximizing Penetration Testing Success with Effective Reconnaissance Techniques Using ChatGPT. Asian Journal of Research in Computer Science, 2024, 17 (5), pp.19-29. ⟨10.9734/ajrcos/2024/v17i5435⟩. ⟨hal-04476499⟩

Collections

TICE
9 Consultations
4 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More