Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
ShunyaNet-Sentinel — ShunyaNet Sentinel ist ein leichtgewichtiges Programm, das RSS-Feeds überwacht, sie zur Analyse an ein LLM sendet und Zusammenfassungen oder Warnmeldungen direkt an die GUI und Slack liefert. | Kitploit
Tools/GitHubGitHub/everythingscomputer/shunyanet-sentinel
OSINT (Open-Source-Intelligence)InformationsbeschaffungDienstprogramme & FrameworksBedrohungsanalyseLernen & Bildung
GitHubeverythingscomputer/shunyanet-sentinel

ShunyaNet-Sentinel

ShunyaNet Sentinel ist ein leichtgewichtiges Programm, das RSS-Feeds überwacht, sie zur Analyse an ein LLM sendet und Zusammenfassungen oder Warnmeldungen direkt an die GUI und Slack liefert.

Teilen
Repository anzeigen
40433vor 25 TagenVon Kitploit geprüft
ShunyaNetSentinelAppGraphicV1

ShunyaNet Sentinel (v3.3) – GROSSES UPDATE (AKTUALISIERT: 22.10.2026)

ShunyaNet Sentinel ist ein schlankes Programm im Cyberpunk-Stil, das RSS-Feeds (Eilmeldungen, soziale Medien, Regierungswarnungen) einliest, sie zur Analyse an ein LLM sendet und in regelmäßigen Abständen Warnmeldungen und Zusammenfassungsberichte an die GUI und deine Benachrichtigungskanäle liefert.

Das Projekt nutzt ein LLM, das lokal auf derselben Maschine oder im selben Netzwerk (z. B. mit Tailscale) über LM Studio, Ollama oder llama.cpp gehostet wird – oder die OpenAI API. Die Alarmierung funktioniert über Slack, Discord, Telegram, ntfy, jeden generischen Webhook und Desktop-Popups (nutze so viele gleichzeitig, wie du möchtest).

Kompatibel mit aktuellen Versionen von Linux, macOS und Windows.

Die Qualität der Berichte hängt von deinem Prompt, der Kontextgröße, den RSS-Feeds und dem LLM ab. Möglicherweise musst du „Thinking“-Funktionen deaktivieren, falls dein Modell solche hat. Ich nutze das am häufigsten mit Qwen3.8 27B und Qwen3.8 Flash Next. Gemma-Modelle sollten ebenfalls recht gut funktionieren.


Workflow auf hoher Ebene

  1. Gib Themen von Interesse ein (der Einrichtungsassistent führt dich beim ersten Start durch diesen Schritt)
  2. Stelle eine Liste von RSS-Feeds bereit (mitgelieferte Listen inklusive, eine URL pro Zeile)
  3. Sentinel ruft die Feeds in deinem konfigurierten Intervall ab
  4. Der Feed-Inhalt geht an deinen LLM-Server
  5. Das LLM prüft auf Warnmeldungen und schreibt regelmäßig Trendberichte
  6. Warnmeldungen/Zusammenfassungen landen in der GUI und in jedem von dir konfigurierten Benachrichtigungskanal (Push aufs Handy über Slack/Discord/Telegram/ntfy)
  7. Jeder Bericht wird zusätzlich als reine Textdatei gespeichert – einschließlich eines agent_handoff.json-Index, damit Skripte und KI-Agenten die Ausgabe von Sentinel nutzen können, ohne die GUI zu berühren

Kernfunktionen

RSS-Feed-Überwachung

  • Regelmäßiges Abfragen, parallel abgerufen, aber pro Host serialisiert (rücksichtsvoll gegenüber Rate Limitern wie Reddit)
  • Deduplizierung nach Eintrags-GUID; Fehlerprotokollierung pro Quelle
  • Verarbeitet langsame oder fehlerhafte Feeds, ohne die UI zu blockieren

LLM-basierte Analyse

  • Funktioniert mit jedem OpenAI-kompatiblen /v1/chat/completions-Endpunkt: LM Studio, Ollama, llama.cpp, OpenAI
  • Eine Prompt-Datei steuert beide Modi über die Abschnitte #> ALERT / #> SUMMARY / #> MEMORY
  • Automatische Aufteilung in Blöcke, wenn Abrufe dein Token-Budget überschreiten

Alarmierung

  • Slack Incoming-Webhook
  • Discord Kanal-Webhook
  • Telegram Bot (Token + Chat-ID)
  • ntfy Topic-URL (kostenloser Push aufs Handy ohne Konto; selbst hostbar)
  • Generischer Webhook (sendet JSON per POST – Home Assistant, Skripte, alles Mögliche)
  • Desktop-Popups über das System-Tray
  • Test-Schaltfläche pro Kanal unter Einstellungen → Benachrichtigungen mit den gerade eingegebenen Werten, noch vor dem Speichern
  • Umschalten, ob auch regelmäßige Zusammenfassungen versendet werden oder nur Sofortwarnungen

Lokal & selbst gehostet

Abgesehen vom Abrufen der RSS-Feeds und dem Versenden deiner Benachrichtigungen (beides optional) bleiben alle Informationen auf Hardware, die du kontrollierst.

Agent-/Skript-Integration

Sentinel schreibt stabile, maschinenlesbare Artefakte neben jeden Bericht: Report_Output/agent_handoff.json verweist auf die neueste Warnmeldungs-/Zusammenfassungsdatei sowie auf die Speicherdateien. Jeder lokale Agent kann diese eine JSON-Datei abfragen, um zu verfolgen, was Sentinel sieht. Die vollständige Spezifikation findest du in docs/AGENT-INTEGRATION.md und unter Hilfe → Agent / Script Integration in der App.


Voraussetzungen

  • Python 3.10+
  • Abhängigkeiten (siehe requirements.txt): PySide6, feedparser, requests

LLM gehostet über:

  • LM Studio (empfohlen)
  • Ollama
  • llama.cpp-Server
  • OpenAI-API-Schlüssel

Installation

1. Klonen (oder ZIP herunterladen) und in den Ordner wechseln

git clone https://github.com/EverythingsComputer/ShunyaNet-Sentinel.git
cd ShunyaNet-Sentinel

2. (Dringend empfohlen) Eine virtuelle Umgebung erstellen

macOS / Linux:

python3 -m venv venv
source venv/bin/activate

Windows (PowerShell):

python -m venv venv
venv\Scripts\Activate.ps1

3. Abhängigkeiten installieren

pip install -r requirements.txt

4. Ausführen

macOS / Linux: python3 ShunyaNet_Sentinel.py Windows: python ShunyaNet_Sentinel.py


Schnellstart

Beim ersten Start führt Sentinel dich mit einem geführten Einrichtungsassistenten durch die Einrichtung (jederzeit erneut öffnen mit Ctrl+W oder Hilfe → Einrichtungsassistent):

  1. Themen – dein übergeordnetes Thema und deine Signale (eines pro Zeile). Wird beim Tippen automatisch gespeichert.
  2. Modellverbindung – wähle deinen Anbieter (LM Studio und andere lokale Server findest du unter „OpenAI-kompatibel“; gehostete Optionen umfassen OpenAI, Claude, Gemini, OpenRouter, Groq, Mistral, DeepSeek, Together, Grok); der Assistent zeigt genau an, was einzugeben ist, mit einer Schaltfläche Verbindung testen, damit du weißt, dass sie funktioniert, bevor du dich darauf verlässt.
  3. Feeds – mit einem Klick wird eine mitgelieferte Liste geladen: Quick-Start (kurz), World News (lang) oder eine Themenliste (KI & Technologie, Cybersicherheit, Finanzen & Märkte, Klima & Katastrophen, Gesundheit & Ausbrüche, Geopolitik & Konflikte).
  4. Bestätigen – überprüfe und starte deinen ersten Abruf (die Schaltfläche ruft tatsächlich ab).

Manuelle Einrichtung (unter Umgehung des Assistenten):

  1. Gib Themen im Targeting-Bereich ein.
  2. Wähle einen Ausgangspunkt: Profile → wähle ein mitgeliefertes Themenprofil und Datei → Mitgelieferte Quellenlisten → wähle die passende Feed-Liste (oder lade deine eigene .txt, eine RSS-URL pro Zeile — deine geladene Liste bleibt über Neustarts hinweg erhalten).
  3. Ausführen → Einstellungen (Ctrl+,) → Tab Verbindung: Anbieter wählen, Server-URL festlegen (LM-Studio-Beispiel: http://localhost:1234/v1), Verbindung testen drücken, Speichern & Anwenden.
  4. Lade ein Modell in LM Studio und aktiviere „Serve on Local Network“ in den Server-Einstellungen. Tipps:
    • Aktiviere im Fenster „Load Model“ die Option „Manually choose model load parameters“
    • Setze Max Concurrent Predictions auf 1 (vorerst)
    • Deaktiviere oder minimiere das Denken (Thinking), falls verfügbar
    • Eine solide, moderate Wahl: gpt-oss-20b, Thinking „low“
  5. Klicke auf die Katze! (...oder drücke Abrufen / Senden mit Ctrl+Enter, oder warte auf den Auto-Abruf-Countdown in der Statusleiste)

Um Benachrichtigungen auf dein Telefon zu senden: Einstellungen → Benachrichtigungen → fülle einen Kanal aus (Slack/Discord/Telegram/ntfy), drücke Testbenachrichtigung senden, Speichern & Anwenden. Einrichtungshinweise für jeden Dienst findest du in den Tooltips des jeweiligen Tabs.

Jede Einstellung hat einen Hover-Tooltip; Hilfe (F2) listet die Tastenkürzel auf. Matrix-Rain-Bildschirmschoner: F1.


Vollständige Anleitung & Konfiguration

Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    513
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    471
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    345
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    311
  • 5

    estorides

    grisuno/estorides

    Aggregiert 99+ kostenlose OSINT-Quellen parallel, löst Entitäten in einen Knowledge Graph auf und exportiert STIX 2.1, MISP oder GraphML mit LLM-gestützter Analyse.

    303
  • 6

    opencti

    opencti-platform/opencti

    Offene Plattform für Cyber-Bedrohungsinformationen

    303

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →