Bug bounty

Bug Bounty — Era Pós-Mythos

Workflow ofensivo de bug bounty hunter profissional em um mercado onde LLMs e agentes autônomos (XBOW, PentestGPT, Big Sleep, etc.) acham CVEs de 27 anos por menos de $50.

A tese central: spray-and-pray em vulns comuns morreu. Quem não usa IA como multiplicador vira overhead. Quem só usa IA vira ruído. O edge é no cruzamento: hibridismo disciplinado + foco cirúrgico em onde a IA ainda falha.

Princípios Operacionais

1. Scope first, always — lê programa inteiro antes de scan. Out-of-scope = N/A = tempo perdido.
2. Recon é 80% do trabalho — quem acha o ativo primeiro ganha. Automatize tudo.
3. Qualidade > quantidade de reports — 1 P1 bem escrito vale 50 low-severity. Noise agora custa reputação.
4. Cadeia de impacto — vuln → exploit → dano real ao negócio. Sempre o storytelling.
5. PoC blindada — reproduzível, screenshot, curl, vídeo curto de <90s.
6. Moat humano — específico, não genérico:
   • Tribal knowledge — expectativas não-documentadas ("esse endpoint é só interno porque historicamente…")
   • Invariantes cross-service — estado que atravessa microsserviços em repos diferentes (LLM nunca vê junto)
   • Race conditions distribuídas e timing assumptions
   • Trust boundaries a nível de UX — o que o usuário assume vs o que está enforced
   • Chaining criativo — 2+ bugs low/info que viram critical
   • Contexto regulatório (LGPD, PCI, HIPAA) que vira multiplicador de impacto

Era Pós-Mythos — o jogo mudou

Quem são os adversários agora

Player	Força	Fraqueza
LLM puro (claude-cli, codex)	Leitura de código em escala	Contexto cross-repo, state distribuído
Agente autônomo (XBOW, PentestGPT)	Chain recon→exploit→report automatizado	Novelty, business logic profunda
Triage AI (H1 Hai, BC auto-triage)	Filtra reports mal escritos	Enganada por storytelling de impacto fraco
Caçador humano experiente	Contexto, chain, novelty	Velocidade, cobertura de breadth

Onde concentrar esforço (upside)

• Business logic chains em apps grandes (fintech, marketplaces)
• Binary bounties (Pwn2Own, ZDI, Apple Security Bounty) — memory corruption em targets hardened; LLMs ainda péssimos aqui
• Novelty classes — programas maduros pagam 2–5× para classes novas ou chains não-automatizáveis
• Context-dependent — IDOR semântico, race conditions, auth bypass multi-step

Onde desinvestir (corrida perdida)

• XSS refletido comum, SQLi básico, open redirect, SSRF trivial → já automatizado em massa
• Nuclei scan puro de templates públicos → todo mundo faz, P5/dup

Dois leitores, não um

Reports agora passam por triagem IA antes do humano (H1 Hai, Bugcrowd auto-triage). Estrutura:

• Primeiros 3 parágrafos: escaneáveis por IA (título claro, CWE no topo, CVSS vector, impact bullet).
• Meio: narrativa de impacto para humano (storytelling de negócio).
• Fim: reprodução passo-a-passo + remediation.

Plataformas

Plataforma	Foco	Nota
HackerOne	Global, maior pool	Hai (IA triagem) revisa antes do humano
Bugcrowd	Global, VRT próprio	Auto-triage agressiva; PayPal/Payoneer
Intigriti	EU forte	Bom pagamento, menos saturado
YesWeHack	EU/França	Programas únicos
Synack	Private red team	Precisa passar em exame
BugHunt	🇧🇷 Sorocaba	OLX, UOL, BTG, Enjoei, Warren
Hackaflag	🇧🇷 SP	BMG, PAN, Stark Bank, EBANX, Elo
ZDI	Binary, N-day/0-day	Pagamentos altos, requer Ghidra/IDA
Apple Security Bounty	iOS/macOS	Tiers até $2M, humano-dominado

IMPORTANTE — política de IA: cada programa tem sua regra. Alguns proíbem submissions AI-assisted, outros exigem disclosure. Sempre registrar em scope.txt o campo ai_policy.

Fluxo de Trabalho

0. ESCOLHA DE ALVO
   ├── Filtrar scope em bounty-targets-data (arkadiyt)
   ├── Priorizar: escopo amplo (*.target.com), bounty médio-alto
   ├── Evitar programas saturados (Shopify, Uber)
   ├── Verificar última atividade + política de IA (allowed/disclosure/banned)
   └── Se tiver código público (GitHub, npm, PyPI) → pula pra passo 1b

1a. RECON PASSIVA         ┃  1b. ANÁLISE DE CÓDIGO (paralelo)
    → references/             → references/ai-vuln-prompts.md
      recon-pipeline.md       ├── Clone de repos públicos
    ├── Subdomain enum        ├── semgrep + regras custom
    ├── Ports/services        ├── codeql (GitHub)
    ├── JS analysis           ├── claude-cli com prompts por
    ├── GitHub dorking        │   linguagem/framework
    └── Wayback/archive       └── Trufflehog em commits antigos

2. RECON ATIVA
   ├── Directory/file fuzzing (ffuf, feroxbuster)
   ├── Parameter mining (arjun, paramspider)
   ├── Vuln scan (nuclei) — só p/ inventariar, não é achado
   └── Manual browse com Burp proxy

3. TRIAGEM DE ACHADOS (human-in-the-loop)
   ├── IA gerou N candidatos → humano filtra false positives
   ├── Priorizar: business logic > chains > novelty
   └── Descartar: vulns comuns em asset saturado

4. EXPLORAÇÃO + VALIDAÇÃO
   → references/vuln-checklists.md
   ├── Validar no target real (não só no código)
   ├── Construir chain se possível (low+low → high)
   ├── Bypass de proteções → references/waf-cdn-bypass.md
   └── PoC final: curl + screenshot + vídeo

5. REPORT DUAL-READER
   → references/h1-report-template.md
   ├── Título descritivo (NUNCA "Report Intent #xxx")
   ├── CWE + CVSS no topo (p/ IA triage)
   ├── Impact bullets (p/ humano)
   ├── Steps numerados reproduzíveis
   ├── Business storytelling (moat humano)
   ├── Remediation concreta
   └── AI disclosure se programa exige

Stack Técnico

Sistema

• Kali Linux ou Parrot OS (VM ou bare metal)
• Burp Suite Professional (essencial — Community não tem Intruder sério)
• Proxychains4 + pool SOCKS (rotação anti-ratelimit)
• tmux/zellij (sessions longas de recon)

ProjectDiscovery Toolchain

go install github.com/projectdiscovery/subfinder/v2/cmd/subfinder@latest
go install github.com/projectdiscovery/httpx/cmd/httpx@latest
go install github.com/projectdiscovery/nuclei/v3/cmd/nuclei@latest
go install github.com/projectdiscovery/katana/cmd/katana@latest
go install github.com/projectdiscovery/naabu/v2/cmd/naabu@latest
go install github.com/projectdiscovery/dnsx/cmd/dnsx@latest

# Pipeline clássico
subfinder -d target.com -silent | httpx -silent -title -tech-detect | tee alive.txt
cat alive.txt | nuclei -t ~/nuclei-templates/ -severity medium,high,critical

AI-Assisted Toolchain (o diferencial)

# claude-cli para análise de código em escala
npm install -g @anthropic-ai/claude-code

# semgrep — engine de regras estáticas (custom rules > regras públicas)
pip install semgrep
semgrep --config=auto ./source-code/

# CodeQL (GitHub) — queries profundas em AST
gh codeql database create db --language=javascript
gh codeql database analyze db --format=sarif-latest -o results.sarif

# Trufflehog — secrets em git history
docker run --rm trufflesecurity/trufflehog:latest git https://github.com/target/repo.git

# Ghidra + AI (binary bounty)
# Plugins: Ghidrathon, GhidraMCP (interface LLM ↔ Ghidra)

Prompts específicos por stack em references/ai-vuln-prompts.md.

Fuzzing e Enumeration

• ffuf, feroxbuster, arjun, paramspider, gau, waybackurls
• gf (tomnomnom), unfurl, dalfox, sqlmap (com cuidado)

Análise

• jq, httpie, curl, mitmproxy
• trufflehog, gitleaks, LinkFinder, SecretFinder

Wordlists

git clone https://github.com/danielmiessler/SecLists ~/SecLists
# Assetnote wordlists — https://wordlists.assetnote.io/ (mais novas)

Organização do Alvo

~/bounty/
└── target-name/
    ├── scope.txt              # in-scope + ai_policy + out-of-scope
    ├── recon/
    │   ├── subdomains.txt
    │   ├── alive.txt
    │   ├── ports.txt
    │   ├── js-urls.txt
    │   └── endpoints.txt
    ├── source-code/           # repos clonados (se público)
    │   ├── repo-a/
    │   └── repo-b/
    ├── ai-analysis/           # output de LLM/semgrep/codeql
    │   ├── claude-findings.md
    │   ├── semgrep-results.json
    │   ├── codeql-results.sarif
    │   └── triaged.md         # após filtro humano
    ├── fuzz/
    │   └── ffuf-results.json
    ├── nuclei/
    │   └── scan.log
    ├── burp/
    │   └── target.burp
    ├── findings/
    │   └── vuln-001-idor.md   # um por bug validado
    └── reports/
        └── submitted/

Formato do scope.txt:

# Target: acme.com
# Platform: HackerOne
# Last updated: 2026-04-24
# ai_policy: disclosure_required   # allowed | disclosure_required | banned

in_scope:
  *.acme.com
  api.acme.com
  mobile app (iOS, Android)

out_of_scope:
  marketing.acme.com
  third-party SSO providers

Arquivos de Referência

• references/recon-pipeline.md — Pipeline completo de recon (passiva + ativa), scripts, fontes de dados.
• references/ai-vuln-prompts.md — Library de prompts para claude-cli/codex por linguagem e framework (Java Spring, Python Django/Flask/FastAPI, Node.js Express, C/C++, Go). Prompts de triagem e exploit-gen.
• references/mythos-competition-strategy.md — Estratégia competitiva contra agentes autônomos: onde atacar, onde recuar, redação dual-reader, novelty premium, relacionamento com security teams.
• references/waf-cdn-bypass.md — CloudFront, Cloudflare, Imperva, Akamai. Origin IP discovery, header spoofing, request smuggling.
• references/vuln-checklists.md — OWASP + além: IDOR, SSRF, XSS, SSTI, XXE, deserialização, auth, race conditions, cache poisoning, prototype pollution.
• references/h1-report-template.md — Template dual-reader (IA triage + humano) com CWE mapping, CVSS 3.1, storytelling de impacto.
• references/binary-bounty.md — Apple Security Bounty, Samsung, ZDI, Pwn2Own. Workflow Ghidra + AI assistants, memory corruption, logic bugs, privilege escalation em targets hardened.
• references/ai-disclosure-snippet.md — Templates copy-paste para seção "AI Disclosure" em reports quando ai_policy: disclosure_required.

Scripts de Automação

• scripts/bootstrap-target.sh <target> [platform] [ai-policy] — cria estrutura de diretórios + scope.txt + README.md em ~/bounty/<target>/.
• scripts/recon.sh <target> — pipeline subfinder → httpx → katana → nuclei → JS extraction. Lê scope.txt para domínios in-scope.
• scripts/ai-scan.sh <target> <language> — roda semgrep + claude-cli + trufflehog em source-code/. Respeita ai_policy (aborta se banned). Linguagens: java, python, node, go, c, generic.
• scripts/release-monitor.sh <target> — monitora GitHub releases de repos-to-monitor.txt para capturar janela de novelty premium. Ideal em cron 4x/dia. Suporta webhook de notificação via NOTIFY_WEBHOOK.

Variável de ambiente BOUNTY_ROOT (default $HOME/bounty) define onde ficam os workspaces.

Binary Bounty como Foso

Enquanto web vira commodity AI, binary fica mais defensável:

• LLMs péssimos em exploitation de memory corruption sob mitigations modernas (ASLR, CET, PAC, MTE, shadow stack).
• Reversing com Ghidra ainda requer intuição humana para identificar gadgets, heap grooming, race windows.
• Pwn2Own/ZDI pagam 6 dígitos por chain funcional.
• Posicionamento estratégico: investir horas em Ghidra + um target hardened específico (kernel iOS, hypervisor, firmware de smart lock) rende mais $/hora que 100 reports web em 2026+.

Ver references/binary-bounty.md.

Comunidade e Aprendizado

Writeups e Disclosed Reports

• HackerOne Hacktivity (ordenado por bounty) — estude 50 P1/P2 recentes
• pentesterland.com/list-of-bug-bounty-writeups.html — agregador
• ngalongc/bug-bounty-reference — por tipo de bug

Referências Humanas

• NahamSec, LiveOverflow, STÖK, InsiderPhD, Zseano, Jhaddix
• Critical Thinking Podcast (Justin Gardner + Joel)
• Frans Rosén, Orange Tsai (Twitter)

Labs de Prática

• PortSwigger Web Security Academy — padrão-ouro até BSCP
• HackTheBox / TryHackMe — boxes e rooms
• Hacker101 (HackerOne) — CTFs com convites privados

Exemplos de Uso

• "Faça recon completa em acme.com dentro de escopo *.acme.com"
• "Clone o repo X, roda semgrep + claude-cli com prompt de Spring, traga top 10 candidatos"
• "Analise este JS file e encontre endpoints não documentados"
• "Monte report H1 dual-reader para este IDOR, com CWE, CVSS e business storytelling"
• "Como bypass do CloudFront na frente desse backend?"
• "Gere templates nuclei custom para essa CVE"
• "Revise este report antes de submeter — CWE tá certo? Passa na triagem da Hai?"
• "Sugere programas BR no HackerOne com escopo amplo"
• "Analise esse binário com Ghidra buscando memory corruption para ZDI"
• "Prompt para claude-cli achar race condition em código Django"

Ética e Legalidade

• SEMPRE dentro do escopo autorizado do programa
• NUNCA exfiltrar dados além do mínimo para PoC
• NUNCA testar sem programa ativo (Lei 14.155/2021 — invasão de dispositivo)
• AI disclosure — respeitar ai_policy do programa. Se exige disclosure, declarar ferramentas usadas (claude-cli, semgrep, codeql) no report.
• Responsible disclosure — avisar empresa antes de publicar writeup
• Conflito de interesse — não testar programas do próprio empregador
• Preservar logs de interação para auditoria se necessário