Was ist cvENGINE?
cvENGINE ist ein selbst gehostetes Werkzeug zur Bewertung der externen Angriffsfläche von einem einzigen Maintainer, hevnsnt, und ein Fork von reNgine 2.x. Du fügst eine Domain, einen Adressbereich oder eine URL hinzu; es findet Subdomains, Zertifikate, Adressen und Ports mit bbot, naabu, einer Überwachung der Certificate Transparency und nmap, gleicht die Funde mit CVEs ab, die CISA KEV, ENISA EUVD, VulnCheck KEV, EPSS, Exploit-DB und Metasploit melden, und versucht jeden Treffer mit Nuclei, nmap oder einer Banner-Abfrage nachzuweisen. Dazu kommen eine Suche im Stil von Shodan über dein eigenes Inventar, eine Änderungs-Zeitleiste, PDF-Berichte, eine Bug-Bounty-Werkbank, die den Scope von HackerOne, Bugcrowd, Intigriti und YesWeHack liest, eine REST-API und ein MCP-Server.
Jede CVE erhält eine feste Einstufung, bevor ein Modell beteiligt ist: fire (bekannt ausgenutzt, ein öffentlicher Exploit, CVSS 9.0 oder höher oder EPSS von 0.1 oder mehr bei CVSS 7.0 oder höher), smoke (CVSS 7.0 oder EPSS 0.1) oder ice. Danach sortiert ein Modell von Anthropic, OpenAI, OpenRouter oder ein lokaler Ollama-, LM-Studio- oder vLLM-Server die Funde und plant Prüfungen; ohne Modell laufen Erkennung, Abgleich und Validierung trotzdem. Sentinels, ein eigener Docker-Client, scannen aus anderen Netzen, auch aus privaten, die der Server selbst nie scannt. OpenVAS von Greenbone ist ein optionales Add-on und standardmäßig aus.
Das Repository wurde am 24. Oktober 2026 angelegt, steht unter GPL-3.0 und hat rund 547 Sterne und 89 Forks. In der ersten Woche kamen 724 Commits und 10 Releases zusammen, von v1.0 am 25. Oktober bis v1.3.1 am 30. Oktober; GitHub nennt zwei Mitwirkende, hevnsnt mit 421 Commits und Claude mit 295. Es läuft als ein Docker-Compose-Stack (Django 5.2, PostgreSQL 18) unter Linux mit mindestens 4 GB RAM.
Lohnt sich cvENGINE?
cvENGINE packt Erkennung, nach Ausnutzung gewichteten CVE-Abgleich und Prüfungen mit Belegen, also die Arbeit, für die kommerzielle Angriffsflächen-Plattformen Geld verlangen, in einen kostenlosen Docker-Stack, und seine Dokumentation spricht offener über Lücken als die der meisten Anbieter. Was es bremst, ist das Alter. Das Projekt ist eine Woche alt, ein Fork von reNgine 2.x, umgebaut im Tempo von 724 Commits in sieben Tagen, und die eigene Vergleichsseite nennt es "in Tagen geschrieben und weit weniger getestet". GitHub schreibt 295 dieser Commits Claude zu, ein großer Teil des Codes entstand also mit einem KI-Agenten und wurde von einem einzigen Maintainer geprüft.
Die Aufteilung zwischen Modell und Regeln ist der am besten durchdachte Teil. Fire, smoke und ice stammen aus einer festen Regel in einer einzigen Datei, angewandt, bevor ein Modell eine CVE sieht, und ein Treffer braucht das Produkt plus eine Version innerhalb eines begrenzten betroffenen Bereichs; ein Produktname allein trifft nichts. Die Triage ordnet Funde dann als confirmed, likely oder needs validation ein, aber harte Belege wie ein Template-Treffer oder eine Datenbank, die geantwortet hat, setzen eine Untergrenze, die das Modell nicht unterschreiten kann, und das Modell allein kann nie einen Fund bestätigen. Laut der Pipeline-Dokumentation enthalten Triage-Prompts bereinigte Belege (Produkt, Version, Bereich aus dem Advisory, Template-ID) mit geschwärzten Hostnamen, und das Modell, das Erkennungsdatensätze entwirft, sieht nur Feed-Text. Zwei Stufen gehen weiter: Validate now lässt das Modell Prüfungen für einen bestimmten Host planen, und Anmeldebildschirme von RDP-Servern ohne Network Level Authentication gehen als Bilder an das Modell. Für ein Inventar deiner eigenen Schwachstellen hält ein lokales Modell über Ollama, LM Studio oder vLLM all das auf deiner Hardware.
"Nur lesend" verdient einen genaueren Blick, als das README ihm gönnt. Die fünf Validierungsprüfungen werden als nur lesend beschrieben, und von der KI geschriebene Nuclei-Templates laufen erst, wenn ein Mensch sie freigibt. Seit 1.3 ist aber der Scan-policy-Schalter, der jedes installierte Nuclei-Template ausführt, auch solche, die mehr als GET-, HEAD- oder OPTIONS-Anfragen senden, standardmäßig an; ausgeschlossen bleiben nur Denial-of-Service-Templates und Out-of-Band-Prüfungen. Der Scanner versucht außerdem, sich bei MySQL als root ohne Passwort anzumelden, bittet MongoDB ohne Authentifizierung, seine Datenbanken aufzulisten, und die eigene Dokumentation nennt OpenVAS invasiv. Ein Team, das einem Kunden passive Tests zugesagt hat, sollte den Schalter vor dem ersten Scan ausschalten.
Die Autorisierung bleibt weitgehend dem Betreiber überlassen. Der Einrichtungsassistent lässt dich bestätigen, dass du das erste Ziel testen darfst, und der Server lehnt Loopback-, Link-Local- und Cloud-Metadaten-Adressen ab, private Bereiche nur, solange du sie nicht erlaubst. Nach unserer Lektüre der Dokumentation gibt es für ein gewöhnliches Ziel keinen Eigentumsnachweis, etwa per DNS-Eintrag: Eine Domain, die du eintippst, wird erkundet und gescannt. Die Bug-Bounty-Werkbank ist die Ausnahme, mit einer gemeinsamen Sperre, die nie einen Host scannt, den ein Programm als out of scope führt oder gar nicht nennt, und automatische Scans zurückhält, bis du festhältst, dass du die Richtlinie gelesen hast und sie automatisierte Tests erlaubt.
Sentinels veröffentlichen keine Ports, rufen den Server über HTTPS auf, laufen als unprivilegierter Benutzer mit NET_RAW und NET_ADMIN und nutzen Tokens, die 90 Tage lang nur ihre eigenen Routen erreichen. Die Schwachstelle ist das Update: Der Client baut, was auf dem main-Branch seines Origins liegt, ohne Signaturprüfung, und ein interner Sentinel darf jede private Adresse scannen, seine LAN-Nachbarn eingeschlossen. Das Client-Repository hat 1 Stern, und GitHub zeigt keine Lizenz dafür an. Die Kontrollen des Servers selbst sind vernünftig: ein generiertes Admin-Passwort, das ersetzt werden muss, Zwei-Schritt-Anmeldung per TOTP, die eine Organisation vorschreiben kann, die Rollen admin, user und audit, eine IP-Allowlist und ein Audit-Log. Verglichen mit der gehosteten Plattform von ProjectDiscovery, die cvENGINEs Vergleich mit 200 $ pro Platz und Monat angibt, oder mit Censys und Shodan Monitor, die einen Index aus eigenen internetweiten Scans beobachten, statt von deinem Server aus zu prüfen, verzichtet cvENGINE auf SSO, Compliance-Berichte, die Erkennung von Cloud-Konten und einen Anbieter zum Anrufen, und behält jeden Fund auf deinem eigenen Rechner.
Wo es sich lohnt
Ein zweiköpfiges Security-Team in einem SaaS-Unternehmen mit 300 Mitarbeitenden
Herausfinden, welche der diese Woche ausgenutzten CVEs unsere öffentlichen Hosts erreichen, mit Beleg
Auf einer Linux-VM mit 8 GB RAM installieren, die Apex-Domains hinzufügen, das KI-Modell auf einen lokalen Ollama-Server richten und den Scan-policy-Schalter für alle Templates ausschalten, wenn das Change-Management nur lesende Tests verlangt. Fire-Treffer mit Beleg gehen an Slack; Lizenzkosten fallen keine an, nur die VM und die Hardware für das Modell.
Eine Bug-Bounty-Jägerin in Teilzeit, die Programme auf HackerOne und Bugcrowd bearbeitet
Nur scannen, was ein Programm erlaubt, und Funde in Berichte verwandeln
Ein App Admin schaltet die Werkbank frei, du klickst Work this program, hältst fest, dass du die Richtlinie gelesen hast, und importierst bis zu 200 Ziele; Hosts außerhalb des Scopes oder ohne Eintrag werden nie gescannt. HackerOne-Berichte gehen mit deinen eigenen API-Zugangsdaten raus, für Bugcrowd, Intigriti und YesWeHack gibt es Felder zum Kopieren.
Ein Platform Engineer, der Infrastruktur über Claude Code repariert
Den Coding-Agenten die gefährlichsten offenen Funde holen und Fixes bestätigen lassen
Auf der Seite API tokens and MCP ein Token anlegen und den Server mit claude mcp add --transport http registrieren; die Remediation-Liste kommt mit fire zuerst, und Text von gescannten Hosts ist als nicht vertrauenswürdig markiert. Gespeicherte Anmeldungen lassen sich nicht über MCP setzen, Geheimnisse bleiben also aus dem Kontext des Modells.
Eine IT-Leiterin, die für das LAN eines Büros zuständig ist
Denselben CVE-Abgleich auf internen Rechnern laufen lassen, die der öffentliche Scan nicht erreicht
Den Büro-Adressbereich im Projekt deklarieren, einen internen Light-Sentinel bereitstellen und ihn mit docker compose up -d auf einem Linux-Rechner in diesem LAN starten; er sucht wöchentlich nach aktiven Hosts und führt nmap-, TLS-, UDP- und Nuclei-Durchläufe aus. Die Selbstaktualisierung auf Manual lassen, weil Updates nicht per Signatur geprüft werden.
Bevor du dich festlegst
- Einrichtung
- git clone, dann sudo ./install.sh unter Debian oder Ubuntu: Es installiert Docker, falls es fehlt, erzeugt alle Geheimnisse und ein privates HTTPS-Zertifikat und gibt das Admin-Passwort aus. Nötig sind mindestens 4 GB RAM, 8 GB für ein bequemes Arbeiten, 20 GB freier Speicher und die Ports 443 und 8082.
- Integrationen
- bbot, naabu, nmap, Nuclei, testssl.sh, WPScan und optional OpenVAS; Anthropic, OpenAI, OpenRouter, Ollama, LM Studio und vLLM; Benachrichtigungen über Slack, Discord, Telegram und Lark; Importe aus Tailscale und runZero; eine REST-API und ein MCP-Server über HTTP mit nur lesenden Tokens.
- Daten und Datenschutz
- Laut der Vergleichsseite geht nichts an die Autoren. Die Triage schickt geschwärzte Belege an das gewählte Modell, RDP-Anmeldebildschirme gehen an ein Vision-Modell; das Protokoll der KI-Nutzung speichert keine Prompts und keine Ziele. Gespeicherte Schlüssel und die Seeds der Zwei-Schritt-Anmeldung werden mit einem Schlüssel aus .env verschlüsselt. GPL-3.0.
- Kosten im großen Maßstab
- Keine kostenpflichtige Edition. Der Server ist der Hauptkostenpunkt, dazu etwa 4 GB RAM, 2 vCPUs und 25 GB Speicher für OpenVAS; Tokens gehosteter Modelle werden pro Pipeline-Stufe erfasst, und der KI-Autor für Erkennungsdatensätze macht standardmäßig 25 Aufrufe pro Tag. Der kostenlose WPScan-Plan erlaubt 25 API-Anfragen pro Tag, und seine Lizenz verlangt für gehostete Dienste eine kommerzielle Vereinbarung.
- Grenzen
- Keine Erkennung von Cloud-Konten, kein SSO, kein Jira, keine Compliance-Berichte; die OS-Erkennung von nmap scheitert unter Docker Desktop auf macOS und Windows; OpenVAS braucht einen halben bis ganzen Tag pro Host; 14 offene Issues und Pull Requests, mit Releases an fast jedem Tag.
Was gut ist
- Die Einstufungen fire, smoke und ice sind deterministisch und laufen vor jedem Modell
- Das Modell kann einen Fund nie allein bestätigen; harte Belege setzen eine Untergrenze
- Funktioniert ohne Modell oder mit einem lokalen Ollama-, LM-Studio- oder vLLM-Server
- Die Bug-Bounty-Sperre blockiert Hosts außerhalb des Scopes und nicht gelistete Hosts
- Kostenlos und selbst gehostet, mit REST-API und MCP-Server
Was nicht
- Eine Woche alt, 724 Commits in sieben Tagen, ein einziger Maintainer
- Seit 1.3 laufen standardmäßig alle installierten Nuclei-Templates, nicht nur die nur lesenden
- Keine Eigentumsprüfung bei gewöhnlichen Zielen
- Sentinel-Updates werden nicht per Signatur geprüft, und das Client-Repository zeigt keine Lizenz
- Kein SSO, kein Jira, keine Erkennung von Cloud-Konten und keine Compliance-Berichte
Am besten für
Security Engineers und Bug-Bounty-Jäger, die kostenlos und selbst gehostet sehen wollen, welche ausgenutzten CVEs ihre eigenen, aus dem Internet erreichbaren Hosts treffen, und die ein lokales Modell betreiben und einem schnell wachsenden Changelog folgen können.
cvENGINE: häufige Fragen
- Lohnt sich cvENGINE?
- Ein leistungsfähiger, kostenloser Angriffsflächen-Scanner mit ungewöhnlich ehrlicher Dokumentation, aber eine Woche alt und standardmäßig mit Nuclei-Templates, die mehr als GET senden, also nur für eigene Assets und mit einem selbst gehosteten Modell. Wir bewerten es mit 3.6 von 5.
- Was kostet cvENGINE?
- Kostenlos und Open Source unter GPL-3.0, ohne Grenzen bei Plätzen oder Assets. Du zahlst für den Server, für Tokens gehosteter Modelle und für optionale kostenpflichtige Datenschlüssel wie WPScan.
- Welche Nachteile hat cvENGINE?
- Eine Woche alt, 724 Commits in sieben Tagen, ein einziger Maintainer; Seit 1.3 laufen standardmäßig alle installierten Nuclei-Templates, nicht nur die nur lesenden; Keine Eigentumsprüfung bei gewöhnlichen Zielen; Sentinel-Updates werden nicht per Signatur geprüft, und das Client-Repository zeigt keine Lizenz; Kein SSO, kein Jira, keine Erkennung von Cloud-Konten und keine Compliance-Berichte.
- Für wen eignet sich cvENGINE?
- Security Engineers und Bug-Bounty-Jäger, die kostenlos und selbst gehostet sehen wollen, welche ausgenutzten CVEs ihre eigenen, aus dem Internet erreichbaren Hosts treffen, und die ein lokales Modell betreiben und einem schnell wachsenden Changelog folgen können.
- Was kostet cvENGINE für ein Team oder im Produktivbetrieb?
- Keine kostenpflichtige Edition. Der Server ist der Hauptkostenpunkt, dazu etwa 4 GB RAM, 2 vCPUs und 25 GB Speicher für OpenVAS; Tokens gehosteter Modelle werden pro Pipeline-Stufe erfasst, und der KI-Autor für Erkennungsdatensätze macht standardmäßig 25 Aufrufe pro Tag. Der kostenlose WPScan-Plan erlaubt 25 API-Anfragen pro Tag, und seine Lizenz verlangt für gehostete Dienste eine kommerzielle Vereinbarung.
- Ist cvENGINE sicher für Firmendaten?
- Laut der Vergleichsseite geht nichts an die Autoren. Die Triage schickt geschwärzte Belege an das gewählte Modell, RDP-Anmeldebildschirme gehen an ein Vision-Modell; das Protokoll der KI-Nutzung speichert keine Prompts und keine Ziele. Gespeicherte Schlüssel und die Seeds der Zwei-Schritt-Anmeldung werden mit einem Schlüssel aus .env verschlüsselt. GPL-3.0.
Antworten geprüft am 31. Okt. 2026.