ahmadhassan-bted/silentsnifferEin professionelles, hochpräzises Framework zur De-Anonymisierung und Schwachstellendiagnose. Es bietet eine modular aufgebaute Architektur ohne Kopplung für browserbasierte Informationsbeschaffung, Hardware-Fingerprinting und Sicherheitsforschung.
-9d00ff.svg?style=flat-square){kind=icon}
Entwickelt von Ahmad Hassan (B-Ted)
[!NOTE] Hinweis zu Browser-Privatsphäre & Bewusstsein: Moderne Webanwendungen gehen weithin davon aus, dass das Surfen von Natur aus sicher, privat und standardmäßig isoliert ist. SilentSniffer wurde entwickelt, um dieses falsche Sicherheitsgefühl zu hinterfragen. Es arbeitet ausschließlich als eigenständige, clientseitige Sandbox, und es werden keinerlei Daten exportiert oder irgendwohin übertragen. Stattdessen bietet es eine visuelle Echtzeit-Demonstration davon, wie viel umgebender Gerätezustand, Hardware-Telemetrie und Verhaltensdaten ohne ausdrückliche Zustimmung der Kontrolle eines Nutzers entgleiten können – einfach weil moderne Browser-Spezifikationen dies standardmäßig erlauben.
Die meisten Internetnutzer gehen davon aus, dass ihre Sitzung privat und abgeschottet bleibt, solange sie nicht ausdrücklich auf „Zulassen" in einer Browser-Berechtigungsabfrage klicken. In Wirklichkeit gewähren Standard-Web-APIs Websites umfangreichen Zugriff auf Hardware-Eigenschaften, Timing-Vektoren, Netzwerktopologien und Sensorverhalten – still und heimlich im Hintergrund.
SilentSniffer wurde als aufklärendes Bildungswerkzeug geschaffen. Durch die Ausführung von Diagnose- und Demonstrationsmodulen in einer vollständig sicheren, rein lokalen Sandbox-Umgebung können Nutzer die tatsächliche Angriffsfläche der durch moderne Browser erlaubten Web-Exposition visuell erfassen – ohne jedes Risiko, dass Daten ihr Gerät verlassen.
Das Toolkit basiert auf einer Zero-Coupling Dynamic Plugin Architecture. Die Kern-Engine bleibt vollständig unabhängig von der Logik einzelner Module und entdeckt und lädt Werkzeuge zur Laufzeit über ein zentrales Manifest.
graph TD
A[index.html / debug.html] -->|Bootstrap| B[src/core/engine.js]
B -->|Fetch Discovery| C[src/config/modules.json]
C -->|Return Payload Paths| B
B -->|Dynamic import| D[src/modules/level_X/*.js]
D -->|Self-Register| B
B -->|Render Grid| UI[Dynamic Command Center]
Die Tools sind in sechs verschiedene Stufen unterteilt, die den Schweregrad der Informationspreisgabe widerspiegeln.
| Stufe | Klassifizierung | Visuell | Schwerpunkt | Sandbox-Verhalten |
|---|---|---|---|---|
| L1 | Standard-Recon | 🟢 Grün | Betriebssystem-, Browser- und Performance-Telemetrie | Lokale Diagnoseabfragen |
| L2 | Erweitertes Profiling | 🟡 Gelb | Netzwerktopologie & Hardware-Fingerprinting | Lokale Diagnoseabfragen |
| L3 | Kritische Intelligence | 🔴 Rot | PII, Speicher-Metadaten und Web-APIs | Lokale Diagnoseabfragen |
| L4 | Hochpräzise HW-Exploits | 🟣 Violett | Hardware-Silizium- & Audio-Fingerprinting | Lokale Diagnoseabfragen |
| L5 | Waffenfähige Vektoren | 🖤 Schwarz | Aktive Vektordemonstrationen (Keylogger, MitM, Formjacking) | Sandboxed Local Feedback |
| L6 | Social Engineering & Phishing | 🔥 Karmesinrot | Phishing-Kits, OAuth-Hijacking, Sensor-Captures | Sandboxed Local Feedback |
Dieses Framework wird ausschließlich für Bildungsforschung, Bewusstseinsbildung und die Prüfung von Browser-Fähigkeiten gepflegt. Alle 54 Module der Stufen 1 bis 6 laufen ausschließlich in Ihrem Browser. Server für die Remote-Exfiltration und schädliche Payloads sind ausgeschlossen; alle erfassten Metriken und visuellen Rückmeldungen verbleiben streng lokal auf Ihrem Rechner.
📖 Detaillierte technische Spezifikation: Eine vollständige Liste der ausgeschlossenen offensiven Funktionssignaturen, Vektoren und ihrer sicheren diagnostischen Ersatzlösungen finden Sie im Dokument zur Spezifikation ausgeschlossener Vektoren.
Alle UI-Komponenten, Registrierungsmanifeste, Kerninfrastruktur-Engines (transmitter.js, persistence.js, evasion.js) und 54 Diagnosemodule sind zu 100 % vollständig und in einer Sandbox-Umgebung betriebsbereit: