وكيل اختبار اختراق مستقل مدعوم بالذكاء الاصطناعي

AIRecon هو وكيل اختبار اختراق مستقل يجمع بين Ollama LLM مستضاف ذاتيًا وبيئة Kali Linux معزولة عبر Docker، وتكاملًا أصليًا مع وكيل Caido، ومسار عمل منظم RECON → ANALYSIS → EXPLOIT → REPORT، وواجهة Textual TUI في الوقت الفعلي — يعمل دون اتصال بالإنترنت تمامًا، ولا يتطلب أي مفاتيح API.

---

لماذا AIRecon؟

النماذج التجارية القائمة على API (OpenAI GPT-4 وClaude وGemini) تصبح مكلفة للغاية في سير عمل الاستطلاع الذاتي المتكرر، الذي قد يتطلب آلاف استدعاءات LLM في الجلسة الواحدة.

صُمم AIRecon ليعمل محليًا وبشكل خاص 100%.

الميزة	AIRecon	الوكلاء السحابيون
يتطلب مفاتيح API	لا	نعم
إرسال بيانات الهدف إلى السحابة	لا	نعم
يعمل دون اتصال	نعم	لا
تكامل Caido	أصلي	لا يوجد
استئناف الجلسة	نعم	يختلف
قاعدة المعرفة المحلية	~1.09M سجل	لا يوجد

• الخصوصية أولًا — معلومات الهدف ومخرجات الأدوات والتقارير لا تغادر جهازك أبدًا.
• Caido أصلي — 5 أدوات مدمجة: list وreplay وautomate (§FUZZ§) وfindings وscope.
• مكدس كامل — بيئة Kali المعزولة + أتمتة المتصفح + fuzzer مخصص + اختبار fuzzing لواجهات API عبر Schemathesis + Semgrep SAST.
• قاعدة معرفة المهارات — 57 ملف مهارة مدمجًا، و289 تعيينًا تلقائيًا من الكلمة المفتاحية إلى المهارة. قابلة للتوسيع عبر airecon-skills — مكتبة مهارات مجتمعية تضم 57 دليل تشغيل إضافيًا قائمًا على CLI لمسابقات CTF وبرامج مكافآت الثغرات واختبار الاختراق.
• قاعدة المعرفة الأمنية المحلية — airecon-dataset الاختيارية تفهرس نحو 1.09M من السجلات الأمنية (CVEs وتقنيات الفريق الأحمر وكتابات CTF وقوالب nuclei وحمولات مكافآت الثغرات) في قواعد SQLite FTS5 المحلية. يستدعي LLM أداة dataset_search بشكل مستقل قبل محاولة تنفيذ تقنيات غير مألوفة — ليرسّخ قراراته في بيانات حقيقية مفهرسة.

---

مسار العمل

RECON → ANALYSIS → EXPLOIT → REPORT

لكل مرحلة أهداف محددة وأدوات موصى بها ومعايير انتقال تلقائية. فرض المراحل مرن — الوكيل يُوجَّه لكنه لا يُقيَّد أبدًا. تعمل نقاط التفتيش كل 5 تكرارات (تقييم المرحلة)، و10 (تقييم ذاتي)، و15 (ضغط السياق).

---

الذاكرة والتعلم (ما الذي يفعله فعليًا)

لا يقوم AIRecon بضبط دقيق (fine-tuning) على LLM. "التعلم" لديه هو بيانات تتبع محلية منظمة توجه اختيار الأدوات وتتجنب تكرار المسارات الفاشلة.

الحفظ المحلي (كل شيء على القرص، دون سحابة):

• قاعدة ذاكرة SQLite في ~/.airecon/memory/airecon.db تخزّن الجلسات والنتائج والأنماط ومعلومات الهدف واستخدام الأدوات وأداء النماذج واستخدام المهارات واكتشافات سلاسل الهجوم.
• حالة التعلم التكيفي في ~/.airecon/learning/global_learning.json (إحصاءات أداء الأدوات، أنماط الاستراتيجيات، سجل الملاحظات، الرؤى المستخلصة).
• ملفات ذاكرة خاصة بكل هدف ضمن ~/.airecon/memory/by_target/ عند حفظها، وتحتوي على نقاط النهاية والثغرات وطرق تجاوز WAF والبارامترات الحساسة ونقاط نهاية المصادقة.
• يمكن حفظ لقطات ذاكرة الحمولات في workspace/<target>/payload_memory.json عند تشغيل حفظ الجلسة.

كيف يؤثر ذلك على السلوك:

• عند بدء الجلسة، يُحقن سياق الذاكرة (معلومات الهدف، النتائج المشابهة، الأنماط المستفادة، موثوقية الأدوات).
• كل 8 تكرارات، يمكن إعادة حقن الأنماط المستفادة والنتائج المشابهة بناءً على التقنيات المكتشفة.
• الترتيب التكيفي للأدوات يستخدم النجاح/الفشل التاريخي لترتيب الأدوات واقتراح الاستراتيجيات.
• ذاكرة الحمولات (عند تفعيلها) تتخطى الحمولات التي فشلت مرارًا لنفس الهدف/البارامتر.

---

متطلبات النموذج

يتطلب AIRecon نموذجًا يتمتع بقدرات تفكير ممتد (كتل <think>) واستدعاء أدوات موثوق. تُكتشف القدرات تلقائيًا عبر البيانات الوصفية لأمر ollama show.

⚠️ دعم استدعاء الأدوات إلزامي. يجب أن يدعم النموذج استدعاء الوظائف/الأدوات الأصلي. النماذج التي لا تمتلك هذه القدرة لن تتمكن من تنفيذ أي أدوات (http_observe، execute، إجراءات المتصفح، إلخ)، مما يجعل AIRecon غير قابل للاستخدام تمامًا.

الحد الأدنى الموصى به: 8B-9B معاملات. النماذج الأقل من 8B قابلة للاستخدام تقنيًا لكن لا يُنصح بها بشدة — فهي غالبًا ما تهذيء في مخرجات الأدوات، وتختلق CVEs، وتتجاوز قواعد النطاق، وتنتج استدعاءات أدوات غير موثوقة.

النموذج	أمر السحب	VRAM	ملاحظات
Qwen3.5 122B	ollama pull qwen3.5:122b	48+ GB	أفضل جودة، الأكثر موثوقية
Qwen3.5 35B	ollama pull qwen3.5:35b	20 GB	موصى به لمعظم المستخدمين
Qwen3.5 35b	ollama pull qwen3.5:35b-a3b	16 GB	MoE — VRAM أقل
Qwen3.5 9B	ollama pull qwen3.5:9b	6 GB	الحد الأدنى القابل للاستخدام — توقع أخطاء متكررة

إرشادات حجم النموذج:

• ≥32B: موثوق لمسارات الاستطلاع الكاملة، ودقة جيدة في استدعاء الأدوات
• 8B-14B: قابل للاستخدام للمهام البسيطة، توقع 20-40% من أخطاء استدعاء الأدوات والهذيان
• <8B: يعمل تقنيًا ولكنه ينتج نتائج غير موثوقة — لا يُنصح به للاختبارات الجادة

مشكلات معروفة: ينتج DeepSeek R1 استدعاءات وظائف غير مكتملة. النماذج الأقل من 8B تفتقر إلى دعم موثوق لاستدعاء الأدوات.

---

تشغيل Ollama على Google Colab (أجهزة محدودة)

إذا لم يكن لديك GPU أو كانت سعة VRAM المحلية أقل من الحد الأدنى، يمكنك تشغيل Ollama على GPU مجاني من Google Colab T4 وربط AIRecon به عبر نفق عام.

افتح الدفتر (notebook):

كيف يعمل:

Google Colab GPU                     Your Local Machine
┌─────────────────────────┐          ┌──────────────────────────┐
│  Ollama (qwen3.5:9b)    │◄────────►│  AIRecon TUI             │
│  cloudflared tunnel     │  HTTPS   │  ollama_url: tunnel URL  │
└─────────────────────────┘          └──────────────────────────┘

الخطوات:

1. افتح رابط Colab أعلاه واختر Runtime → Change runtime type → T4 GPU
2. شغّل جميع الخلايا من الأعلى إلى الأسفل (يستغرق ~5-10 دقائق في المرة الأولى)
3. انسخ مقتطف الإعدادات المطبوع في الخلية 6 إلى ~/.airecon/config.yaml:

ollama_url: "https://xxxx.trycloudflare.com"   # printed by Cell 6
ollama_model: "qwen3.5:9b"
ollama_timeout: 300.0
ollama_chunk_timeout: 300.0
ollama_num_ctx: 32768
ollama_num_ctx_small: 16384

4. ابدأ AIRecon كالمعتاد: airecon start

GPU في Colab → توفر النموذج:

GPU في Colab	VRAM	النموذج المتاح	الخطة
T4	15 GB	qwen3.5:9b	Free
L4	22 GB	qwen3.5:35b-a3b (MoE)	Pro
A100	40 GB	qwen3.5:35b	Pro+
H100	80 GB	qwen3.5:122b	Pro+