NetSentryx PRO 🛡️

KI-gesteuerte, hochperformante Echtzeit-Netzwerkbeobachtungs- und Bedrohungserkennungs-Engine

NetSentryx PRO ist eine Next-Generation, ereignisgesteuerte Netzwerküberwachungs- und Threat-Intelligence-Plattform. Durch die Kombination regelbasierter Signaturen mit einem PyTorch Deep Autoencoder bietet es Paket- und Netflow-Anomalieerkennung in unter 10 ms, automatisierte Multi-Channel-Benachrichtigungen (Slack, Discord, E-Mail) und ein interaktives Echtzeit-SOC-Dashboard.

🏗️ Systemarchitektur

Das folgende Flussdiagramm veranschaulicht die Datenerfassung, die Echtzeit-Deep-Learning-Inferenz, die Alarmierungspipeline und die WebSocket-Visualisierungsschicht:

flowchart TD
    subgraph Capture & Ingestion
        A[Network Interface / Packet Simulator] -->|Raw Traffic Events| B(Lightweight Event Bus)
        B -->|Packet Stream| C[Flow Aggregation Engine]
    end

    subgraph Deep Learning Inference
        C -->|Aggregated Telemetry Vectors| D[PyTorch TrafficAutoencoder]
        D -->|MSE Reconstruction Loss| E{Threshold Evaluation}
    end

    subgraph Alert Dispatch
        E -->|No Anomaly| F[Status: Optimal]
        E -->|Anomaly Detected| G[FastAPI BackgroundTasks]
        G -->|Save Event| H[(SQLite Datastore)]
        G -->|Broadcast WebSocket| I[HTML Live Dashboard]
        G -->|Dispatch Webhooks| J[Slack / Discord / Custom Webhook]
        G -->|Dispatch SMTP| K[Email Alerting]
    end

    style D fill:#EE4C2C,stroke:#fff,stroke-width:2px,color:#fff
    style I fill:#005571,stroke:#fff,stroke-width:2px,color:#fff
    style G fill:#00bf8f,stroke:#fff,stroke-width:2px,color:#fff

🚀 Hauptfunktionen

⚡ Echtzeit-Traffic-Erfassung: Aggregiert Paketrahmen on the fly mit minimaler Latenz zu umfangreichen Netflow-Zusammenfassungen.
🧠 PyTorch Deep Autoencoder Anomalieerkennung: Nutzt ein leichtgewichtiges PyTorch-Neuronales Netz (TrafficAutoencoder), um komplexe Zero-Day-Exploits, Scanning- oder DDoS-Angriffe basierend auf dem multivariaten Feature-Rekonstruktionsfehler zu erkennen.
📈 Start ohne manuelles Training: Bietet automatisiertes synthetisches Fitting und statistische Schwellenwertkalibrierung (Mean + 3 * Std) während des Serverstarts, wodurch es sofort einsatzbereit ist.
⏱️ Inferenzlatenz unter 10 ms: Optimierte Inferenzpipeline gewährleistet die Echtzeitbewertung von Paketflüssen mit hohem Durchsatz.
📣 Multi-Channel-Alarmversand: Sendet detaillierte Intrusionswarnungen asynchron an Slack-Webhooks, Discord-Webhooks, benutzerdefinierte HTTP-APIs und SMTP-E-Mails unter Verwendung von FastAPIs BackgroundTasks.
📊 Interaktives SOC-Dashboard: Elegantes Dark-Mode-Dashboard, betrieben mit Tailwind CSS, Chart.js und WebSockets zur Echtzeitvisualisierung von Durchsatzmetriken und Live-Bedrohungsfeeds.

📁 Projektstruktur

NetSentryx/
├── config/
│   ├── config.yaml          # System, dashboard, and alerting channel configurations
│   └── rules.yaml           # Threat detection thresholds and rule properties
├── src/
│   ├── alerts/
│   │   ├── ml_detection.py  # PyTorch TrafficAutoencoder & feature scaling
│   │   ├── manager.py       # Async alert dispatcher (Discord, Slack, Email)
│   │   └── detection.py     # Rule-based packet signature detection engine
│   ├── core/
│   │   ├── config_loader.py # Configuration loader utilities
│   │   ├── logger.py        # Database-integrated system logger
│   │   └── time_utils.py    # Timezone-aware timestamp utilities
│   ├── dashboard/
│   │   ├── templates/
│   │   │   └── index.html   # Live HTML5 Dashboard template
│   │   └── server.py        # FastAPI API Router and WebSocket broadcast controller
│   ├── database/
│   │   ├── manager.py       # SQLite connection & database actions
│   │   └── models.py        # SQLAlchemy schema definitions (Alerts, Logs, Flows)
│   ├── flows/
│   │   ├── capture.py       # Scapy packet sniffer thread
│   │   └── processor.py     # Flow aggregation and metric extractor
│   └── main.py              # Application entrypoint
└── main.py                  # Root script runner

🛠️ Schnellstart- und Einrichtungsanleitung

1. Voraussetzungen

Stellen Sie sicher, dass Python 3.10+ installiert ist. Bei der Erfassung von Live-Netzwerkschnittstellen:

Windows: Installieren Sie Npcap (wählen Sie "Install Npcap in WinPcap API-compatible Mode").
Linux: Installieren Sie libpcap-dev über sudo apt-get install libpcap-dev.

2. Installation

Klonen Sie das Repository und installieren Sie die Abhängigkeiten (die Verwendung von uv wird für eine schnellere Installation dringend empfohlen):

# Clone the repository
git clone https://github.com/yourusername/netsentryx.git
cd netsentryx

# Create virtual environment
python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

# Install requirements
pip install -r requirements.txt

3. Umgebungseinrichtung (`.env`)

Erstellen Sie eine .env-Datei im Projektstammverzeichnis, um die Benachrichtigungsanmeldeinformationen zu konfigurieren:

# Discord Configuration
DISCORD_ENABLED=true
DISCORD_WEBHOOK_URL="https://discord.com/api/webhooks/your-webhook-id/your-webhook-token"

# Slack Configuration
SLACK_ENABLED=true
SLACK_WEBHOOK_URL="https://hooks.slack.com/services/YOUR_WORKSPACE_ID/YOUR_CHANNEL_ID/YOUR_SECRET_TOKEN"

# SMTP Email Configuration
SMTP_ENABLED=true
SMTP_SERVER="smtp.gmail.com"
SMTP_PORT=587
SMTP_USERNAME="[email protected]"
SMTP_PASSWORD="your-app-password"
SMTP_FROM_EMAIL="[email protected]"
SMTP_TO_EMAIL="[email protected]"

4. Starten der Plattform

🧪 Simulationsmodus (Enthält synthetischen Traffic-Simulator)

python main.py --simulate

🌐 Live-Sniffing-Modus (Erfordert Administrator-/sudo-Rechte)

python main.py

Öffnen Sie Ihren Browser und navigieren Sie zu http://localhost:8000, um das Live-Dashboard anzuzeigen.

📖 API-Dokumentation

Telemetrie- und Inferenz-Endpunkt

URL: /api/v1/telemetry/analyze
Methode: POST
Content-Type: application/json

Anfrage-Payload

{
  "packet_count": 550,
  "byte_count": 850000,
  "flow_duration": 4.5,
  "syn_flag_ratio": 0.85,
  "port_entropy": 3.2,
  "byte_rate": 188888.8,
  "source_ip": "192.168.1.120",
  "dest_ip": "10.0.0.5",
  "protocol": "TCP"
}

Antwort (Normaler Traffic)

{
  "status": "NORMAL",
  "threat_level": "low",
  "anomaly_score": 0.3083,
  "threshold": 2.1319
}

Antwort (Anomaler Traffic)

{
  "status": "ANOMALOUS",
  "threat_level": "critical",
  "anomaly_score": 117999.03,
  "threshold": 2.1319,
  "alert": {
    "id": 12,
    "timestamp": "2026-08-05T14:13:31.373Z",
    "rule_id": "ml_autoencoder_anomaly",
    "rule_name": "ML Autoencoder Anomaly",
    "source_ip": "192.168.1.120",
    "severity": "critical",
    "description": "Deep autoencoder reconstruction error exceeded anomaly threshold (score: 117999.0300, threshold: 2.1320).",
    "metrics": { ... }
  }
}

Historische Abfragen

Endpunkt	Methode	Beschreibung	Beispielantwort
`/api/alerts`	`GET`	Ruft aktuelle, in der DB gespeicherte Bedrohungswarnungen ab	`[{"id": 1, "rule_name": "Port Scanning", ...}]`
`/api/flows`	`GET`	Ruft aktuelle Netzwerkfluss-Telemetrieprotokolle ab	`[{"source_ip": "192.168.1.10", "packet_count": 45, ...}]`
`/api/logs`	`GET`	Ruft Backend-System-Audit-Protokolle ab	`[{"level": "INFO", "message": "ML engine trained...", ...}]`

🛡️ Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert – siehe die Datei LICENSE für Details.

netsentryx — Updated!

Kategorien