AttackGen

AttackGen ist ein Tool zum Testen der Reaktion auf Cybersicherheitsvorfälle, das die Leistungsfähigkeit großer Sprachmodelle sowie die umfassenden MITRE ATT&CK- und ATLAS-Frameworks nutzt. Das Tool generiert maßgeschneiderte Szenarien für die Reaktion auf Vorfälle, basierend auf benutzerausgewählten Bedrohungsakteursgruppen, KI-Angriffsfallstudien und den Details Ihrer Organisation.

Repository mit Stern markieren

Wenn Sie AttackGen nützlich finden, erwägen Sie bitte, das Repository auf GitHub mit einem Stern zu markieren. Das hilft mehr Menschen, das Tool zu entdecken. Ihre Unterstützung wird sehr geschätzt! ⭐

Funktionen

Generiert einzigartige Szenarien für die Reaktion auf Vorfälle, basierend auf ausgewählten Bedrohungsakteursgruppen oder ATLAS-Fallstudien.
Ermöglicht die Angabe von Größe und Branche Ihrer Organisation für ein maßgeschneidertes Szenario.
Unterstützt die Frameworks MITRE ATT&CK Enterprise, ICS (Industrial Control Systems) und ATLAS (Adversarial Threat Landscape for AI Systems).
Zeigt eine detaillierte Liste der Techniken an, die von der ausgewählten Bedrohungsakteursgruppe oder Fallstudie verwendet werden.
Erstellen Sie benutzerdefinierte Szenarien basierend auf einer Auswahl von ATT&CK- oder ATLAS-Techniken.
Verwenden Sie Szenariovorlagen, um schnell benutzerdefinierte Szenarien basierend auf häufigen Arten von Cybervorfällen zu erstellen, einschließlich KI/ML-spezifischer Angriffsmuster.
Generieren Sie KI-Insider-Bedrohungsszenarien – Übungen zur Reaktion auf Vorfälle, bei denen ein in Ihrer Organisation eingesetzter Frontier-KI-Agent sich wie eine Insider-Bedrohung verhält, basierend auf dem Bedrohungsmodell aus Actions Speak Louder Than Tokens: An Insider Threat Model for Frontier AI Agents. Die Szenarien werden durch den Bereitstellungs-Archetyp des Agents (Autonomiegrad), die Bedrohungskategorie, STRIDE-Bedrohungen und einen optionalen Freitext-Szenario-Seed geprägt.
AttackGen-Assistent – eine Chat-Oberfläche zum Aktualisieren und/oder Stellen von Fragen zu generierten Szenarien.
Erfassen Sie Benutzerfeedback zur Qualität der generierten Szenarien.
Herunterladbare Szenarien im Markdown-Format.
Verwenden Sie die OpenAI-API, Anthropic-API (Claude-Modelle), Google-AI-API, Mistral-API, Groq-API oder einen beliebigen benutzerdefinierten OpenAI-kompatiblen Endpunkt (Ollama, LM Studio, Azure OpenAI, OpenRouter usw.), um Szenarien für die Reaktion auf Vorfälle zu generieren. Alle Anbieter werden über LiteLLM hinter einem einzigen internen Wrapper geroutet, sodass das Hinzufügen eines neuen Modells eine Änderung in einer Zeile ist.
Verfügbar als Docker-Container-Image für eine einfache Bereitstellung.
Optionale Integration mit LangSmith für leistungsstarkes Debugging, Testen und Überwachen der Modellleistung.
Sichere Verwaltung von Anmeldeinformationen mithilfe einer .env-Datei für API-Schlüssel und Geheimnisse.

AttackGen-Screenshot

Versionen

v0.16

Frühere Versionen (v0.15 und älter)

v0.15

Anforderungen

Aktuelle Version von Python.
Python-Pakete: streamlit, litellm, mitreattack-python, pandas (siehe requirements.txt für die vollständige Liste).
OpenAI-API-Schlüssel (oder API-Schlüssel für Ihren gewählten Modellanbieter).
LangChain-API-Schlüssel (optional) – siehe Abschnitt LangSmith-Setup unten für weitere Details.
MITRE-ATT&CK- und ATLAS-Datendateien. Diese sind im Repository enthalten (in ./data/), sodass kein manueller Download erforderlich ist (siehe Dateneinrichtung).
.env-Datei zum Speichern von API-Schlüsseln und Geheimnissen (siehe Abschnitt Installation für Details).

Installation

Option 1: Klonen des Repositorys

Klonen Sie dieses Repository:``` git clone https://github.com/mrwadams/attackgen.git

2. Wechsle in das Verzeichnis des geklonten Repositorys:```
cd attackgen

Installieren Sie die erforderlichen Python-Pakete:``` pip install -r requirements.txt

### Option 2: Using Docker

1. Pull the Docker container image from Docker Hub:```
docker pull mrwadams/attackgen

LangSmith-Einrichtung

Wenn Sie LangSmith zum Debuggen, Testen und Überwachen der Modellleistung verwenden möchten, müssen Sie ein LangSmith-Konto einrichten und eine .streamlit/secrets.toml-Datei erstellen, die Ihren LangChain-API-Schlüssel enthält. Bitte befolgen Sie die Anweisungen hier, um Ihr Konto einzurichten und Ihren API-Schlüssel zu erhalten. Sie finden eine secrets.toml-example-Datei im Verzeichnis .streamlit/, die Sie als Vorlage für Ihre eigene secrets.toml-Datei verwenden können.

Wenn Sie LangSmith nicht verwenden möchten, müssen Sie dennoch eine .streamlit/secrets.toml-Datei anlegen, können das Feld LANGCHAIN_API_KEY jedoch leer lassen.

Dateneinrichtung

Die MITRE-ATT&CK-Datensätze (Enterprise + ICS) und ATLAS-Datensätze, die AttackGen benötigt, sind im Repository unter ./data/ eingecheckt, sodass ein frischer Klon ohne zusätzlichen Download-Schritt einsatzbereit ist. Dazu gehören enterprise-attack.json, ics-attack.json, stix-atlas.json, groups.json, groups_ics.json und atlas-case-studies.json.

Wenn Sie sie auf die neueste Upstream-Version aktualisieren möchten, können Sie die STIX-Bundles aus dem MITRE-ATT&CK-STIX-Datenrepository (und dem ATLAS-Datenrepository) erneut herunterladen und die Dateien in ./data/ ersetzen.

Ausführen von AttackGen

Nach der Dateneinrichtung können Sie AttackGen mit dem folgenden Befehl ausführen:``` streamlit run 00_👋_Welcome.py

Du kannst die App auch auf [Streamlit Community Cloud](https://attackgen.streamlit.app/) ausprobieren.

## MCP-Server

AttackGen enthält einen [MCP](https://modelcontextprotocol.io/)-Server, damit agentische Workflows (Claude Code, Claude Desktop, Cursor und andere MCP-Clients) die Szenariogenerierung ohne die Streamlit-Oberfläche steuern können. Er stellt **zwei Ebenen von Tools** bereit:

- **Datentools – kein API-Schlüssel, kein LLM-Aufruf.** Diese greifen auf AttackGens MITRE-Daten zu: Bedrohungsgruppen / ATLAS-Fallstudien auflisten, die Kill Chain einer Gruppe auflösen, den Purple-Team-Erkennungs- und Reaktionsbericht erstellen, eine ATT&CK-Navigator-Ebene erzeugen und die KI-Insider-Bedrohungsoptionen auflisten. `list_ai_insider_options` gibt jede Quick-Start-Vorlage mit den Auswahlen und der narrativen Kurzbeschreibung zurück, die sie anwendet, sodass `get_ai_insider_prompt` / `generate_ai_insider_scenario` nur mit `template=` plus deiner Branche und Unternehmensgröße aufgerufen werden können. Wo nützlich, geben sie auch einen sofort ausführbaren Prompt zurück, sodass **das eigene Modell deines Clients** das Szenario schreiben kann – das heißt, diese funktionieren auch ohne separaten Provider-API-Schlüssel. Diese Oberfläche ist sicher über HTTP zu hosten.
- **Generierungstools – bring deinen eigenen Schlüssel mit.** `generate_threat_group_scenario`, `generate_custom_scenario` und `generate_ai_insider_scenario` rufen serverseitig ein LLM auf und geben ein fertiges Markdown-Szenario zurück. Provider, Modell und Schlüssel werden pro Aufruf angegeben; wenn du `api_key` weglässt, greift LiteLLM auf die passende Umgebungsvariable zurück (`OPENAI_API_KEY`, `ANTHROPIC_API_KEY`, …) – also **deinen eigenen** Schlüssel. Da diese Anmeldedaten aus der Prozessumgebung lesen, halte sie auf **lokalem stdio** und setze sie nicht auf einem gemeinsam genutzten Host ein.

### Installation und Ausführung

Die `mcp`-Abhängigkeit ist in `requirements.txt` enthalten. Installiere das Projekt (eine editierbare Installation gibt dir auch das `attackgen-mcp`-Konsolenskript):```
pip install -r requirements.txt
# optional, for the console script:
pip install -e .

Starte den Server (stdio):``` python -m mcp_server # or: attackgen-mcp

### Zu einem Client hinzufügen

**Claude Code:**```
claude mcp add attackgen -- python -m mcp_server

Claude Desktop (claude_desktop_config.json) — die Schlüssel kommen in env:```json { "mcpServers": { "attackgen": { "command": "python", "args": ["-m", "mcp_server"], "cwd": "/absolute/path/to/attackgen", "env": { "OPENAI_API_KEY": "sk-...", "ANTHROPIC_API_KEY": "sk-ant-..." } } } }

Du kannst `ATTACKGEN_PROVIDER` und `ATTACKGEN_MODEL` in `env` setzen, um den Generierungstools einen Standard-Provider bzw. ein Standard-Modell zu geben, sodass Aufrufer diese nicht jedes Mal übergeben müssen. Die umfangreichen MITRE-Bündel werden erst beim ersten Daten-Tool-Aufruf verzögert geladen, sodass der Server sofort startet.

## Agent-Fähigkeiten

Gekoppelt mit dem MCP-Server ist eine **[Agent-Fähigkeit](https://github.com/mrwadams/attackgen/blob/main/skills)**, `attackgen-tabletop`, die AttackGens Daten in eine für Moderatoren vorbereitete Incident-Response-Tabletop-Übung verwandelt.

Bei einer Bedrohungsgruppe oder ATLAS-Fallstudie erzeugt die Fähigkeit eine vollständige Tabletop-Übung / Master Scenario Events List (MSEL) — Szenario-Erzählung, phasenzugeordnete Kill Chain, zeitgestempelte Injects, NIST-SP-800-61-Diskussionsfragen und eine Erkennungsabdeckungs-Scorecard — als Markdown oder als eigenständigen, druckfreundlichen HTML-Bericht.

Sie deckt auch den **KI-Insider-Bedrohungspfad** ab: Wenn der Gegner ein hochmodernes KI-Agent ist, der innerhalb der Organisation eingesetzt wird, arbeitet die Fähigkeit mit `list_ai_insider_options` und `get_ai_insider_prompt` statt mit einer Kill Chain. Die Übung behält dieselbe sechsteilige Struktur, aber ihr Rückgrat sind der STRIDE-Bedrohungsumfang und der Bereitstellungs-Archetyp, ihre Erkennungs-Scorecard wird gegen die Erkennungsposition dieses Archetyps bewertet, und die `required_decisions` einer Vorlage werden zu verpflichtenden Diskussionsfragen.

Die Arbeitsteilung ist bewusst gewählt: Die MCP-**Datentools** liefern die Fakten (jede Technik oder STRIDE-ID führt auf ein Tool-Ergebnis zurück) und die Fähigkeit liefert die Übungsgestaltung, sodass sie auf dem eigenen Modell deines Clients läuft, **ohne zusätzlichen API-Schlüssel**. Verbinde den MCP-Server (oben) und richte dann einen fähigkeitsbewussten Client wie Claude Code oder Claude Desktop auf das Verzeichnis [`skills/`](https://github.com/mrwadams/attackgen/blob/main/skills) aus. Siehe [`skills/README.md`](https://github.com/mrwadams/attackgen/blob/main/skills/README.md) für installationsorte und Details pro Client.

## Verwendung

### Ausführen von AttackGen

#### Option 1: Ausführen der Streamlit-App lokal
1. Führe die Streamlit-App aus:```
streamlit run 00_👋_Welcome.py

Öffnen Sie Ihren Webbrowser und navigieren Sie zu der von Streamlit bereitgestellten URL.
Verwenden Sie die App, um standardmäßige oder benutzerdefinierte Incident-Response-Szenarien zu generieren (siehe unten für Details).

Option 2: Verwendung des Docker-Container-Images

Führen Sie den Docker-Container aus:``` docker run -p 8501:8501 mrwadams/attackgen

Dieser Befehl startet den Container und mappt Port 8501 (Standard für Streamlit-Apps) vom Container auf Ihren Host-Rechner.
2. Öffnen Sie Ihren Webbrowser und navigieren Sie zu `http://localhost:8501`.
3. Verwenden Sie die App, um standardmäßige oder benutzerdefinierte Incident-Response-Szenarien zu generieren (Details siehe unten).

### Generieren von Szenarien

#### Standard-Szenariogenerierung
1. Wählen Sie, ob Sie die OpenAI API, Anthropic API, Google AI API, Mistral API, Groq API oder einen benutzerdefinierten OpenAI-kompatiblen Endpunkt (für Ollama, LM Studio, Azure OpenAI Deployments, OpenRouter usw.) verwenden möchten.
2. Geben Sie Ihren API-Schlüssel für den gewählten Anbieter ein. Geben Sie für den benutzerdefinierten Anbieter zusätzlich die Basis-URL und den Modellnamen ein.
3. Wählen Sie Ihr bevorzugtes Modell aus dem Dropdown-Menü.
4. Wählen Sie Branche und Größe Ihres Unternehmens aus den Dropdown-Menüs.
5. Navigieren Sie zur Seite `Threat Group Scenarios`.
6. Wählen Sie die Bedrohungsakteursgruppe aus, die Sie simulieren möchten.
7. Klicken Sie auf 'Generate Scenario', um das Incident-Response-Szenario zu erstellen.
8. Verwenden Sie die Schaltflächen 👍 oder 👎, um Feedback zur Qualität des generierten Szenarios zu geben. Hinweis: Die Feedback-Schaltflächen erscheinen nur, wenn ein Wert für LANGCHAIN_API_KEY in der Datei `.streamlit/secrets.toml` festgelegt wurde.

#### Benutzerdefinierte Szenariogenerierung
1. Wählen Sie, ob Sie die OpenAI API, Anthropic API, Google AI API, Mistral API, Groq API oder einen benutzerdefinierten OpenAI-kompatiblen Endpunkt verwenden möchten.
2. Geben Sie Ihren API-Schlüssel für den gewählten Anbieter ein. Geben Sie für den benutzerdefinierten Anbieter zusätzlich die Basis-URL und den Modellnamen ein.
3. Wählen Sie Ihr bevorzugtes Modell aus dem Dropdown-Menü.
4. Wählen Sie Branche und Größe Ihres Unternehmens aus den Dropdown-Menüs.
5. Navigieren Sie zur Seite `Custom Scenario`.
6. Verwenden Sie das Mehrfachauswahlfeld, um die für Ihr Szenario relevanten ATT&CK-Techniken zu suchen und auszuwählen.
7. Klicken Sie auf 'Generate Scenario', um Ihr benutzerdefiniertes Incident-Response-Testszenario basierend auf den ausgewählten Techniken zu erstellen.
8. Verwenden Sie die Schaltflächen 👍 oder 👎, um Feedback zur Qualität des generierten Szenarios zu geben. Hinweis: Die Feedback-Schaltflächen erscheinen nur, wenn ein Wert für LANGCHAIN_API_KEY in der Datei `.streamlit/secrets.toml` festgelegt wurde.

#### Generierung von KI-Insider-Bedrohungsszenarien
1. Wählen Sie Ihren Modellanbieter und geben Sie den entsprechenden API-Schlüssel ein (verwenden Sie den benutzerdefinierten Anbieter für Azure OpenAI Deployments oder lokale Modelle).
2. Wählen Sie Ihr bevorzugtes Modell aus dem Dropdown-Menü.
3. Wählen Sie Branche und Größe Ihres Unternehmens aus den Dropdown-Menüs.
4. Navigieren Sie zur Seite `AI Insider Threat Scenarios`.
5. (Optional) Wählen Sie eine Vorlage, um den Bereitstellungs-Archetyp, die Bedrohungskategorien und STRIDE-Bedrohungen für ein gängiges Szenario vorzubelegen.
6. Wählen Sie den **Bereitstellungs-Archetyp**, der widerspiegelt, wie autonom der KI-Agent innerhalb Ihres Unternehmens arbeitet (z. B. überwachter Assistent, autonomer Agent, vollständig autonome Flotte). Dies ist der Haupttreiber der Bedrohungsoberfläche des Agents.
7. Wählen Sie eine oder mehrere **Bedrohungskategorien** (Credential Compromise, Supply Chain Sabotage, Data Exfiltration, Infrastructure Sabotage, Deception & Evasion).
8. (Optional) Grenzen Sie das Szenario auf bestimmte **STRIDE-Bedrohungen** ein. Wenn Sie dieses Feld leer lassen, werden automatisch die STRIDE-Bedrohungen verwendet, die mit Ihren ausgewählten Kategorien verknüpft sind. Dies sind die 23 STRIDE-Bedrohungen aus dem zugrunde liegenden Paper.
9. (Optional) Passen Sie die im Prompt hervorgehobenen **Frontier-Agent-Fähigkeiten** an.
10. Klicken Sie auf 'Generate Scenario'. Die Ausgabe umfasst eine Angriffsdarstellung, die STRIDE-Identifikatoren zugeordnet ist, Erkennungsmöglichkeiten und empfohlene Kontrollen, die auf das NIST CSF abgestimmt sind.
11. Verwenden Sie die Schaltflächen 👍 oder 👎, um Feedback zu geben (erfordert LANGCHAIN_API_KEY).

Das Bedrohungsmodell hinter dieser Seite wird in [*Actions Speak Louder Than Tokens: An Insider Threat Model for Frontier AI Agents*](https://ai-insider-threat.matt-adams.co.uk) beschrieben.

Bitte beachten Sie, dass die Generierung von Szenarien etwa eine Minute dauern kann. Sobald das Szenario generiert wurde, können Sie es in der App anzeigen und auch als Markdown-Datei herunterladen.

## Sicherheits-Best Practices

AttackGen ist für die lokale Einzelbenutzer-Bereitstellung konzipiert. Beachten Sie bei der Verwendung des Tools:

### Schutz Ihrer API-Schlüssel

**Ihre API-Schlüssel sind sensible Anmeldeinformationen, die Kosten auf Ihrem Konto verursachen können.**

✅ **TUN:**
- Geben Sie API-Schlüssel über die Benutzeroberfläche ein (sie bleiben in Ihrer Browsersitzung)
- Verwenden Sie die .env-Datei für Komfort auf Ihrem persönlichen Rechner
- Legen Sie Ausgabenlimits im Dashboard Ihres LLM-Anbieters fest
- Überprüfen Sie regelmäßig Ihre API-Nutzung und -Kosten
- Leeren Sie die Sitzung, wenn Sie gemeinsam genutzte Computer verwenden

❌ **NICHT TUN:**
- .env-Dateien in die Versionskontrolle einchecken (bereits in .gitignore)
- Screenshots mit sichtbaren API-Schlüsseln teilen
- AttackGen auf nicht vertrauenswürdigen/kompromittierten Systemen ausführen
- Ihre API-Schlüssel mit anderen teilen
- Unerwartete API-Gebühren ignorieren

### Datenschutzüberlegungen

Wenn Sie Szenarien generieren, sendet AttackGen Daten an Ihren gewählten LLM-Anbieter:
- Unternehmensdetails (Branche, Unternehmensgröße)
- Ausgewählte ATT&CK-Techniken
- Benutzerdefinierter Eingabetext
- Generierte Szenarien (über AttackGen Assistant)

**Was das bedeutet:**
- OpenAI, Anthropic usw. können diese Daten gemäß ihren Datenschutzrichtlinien protokollieren
- Erwägen Sie die Verwendung allgemeiner/fiktiver Unternehmensdetails für Demonstrationen
- Überprüfen Sie die Datenaufbewahrungs- und Datenschutzrichtlinien Ihres LLM-Anbieters
- Für sensible Anwendungsfälle erwägen Sie Anbieter mit strengeren Datenschutzgarantien

### Für Team-/Organisationsbereitstellungen

Wenn Sie AttackGen für mehrere Benutzer bereitstellen (nicht der Standard-Anwendungsfall):
- Fügen Sie Authentifizierung/Autorisierung hinzu (standardmäßig nicht enthalten)
- Verwenden Sie einen Secrets-Management-Dienst für API-Schlüssel
- Stellen Sie hinter VPN oder internem Netzwerk bereit
- Überprüfen Sie dieses Bedrohungsmodell-Dokument für zusätzliche Überlegungen
- Berücksichtigen Sie Datenresidenz- und Compliance-Anforderungen

### Abhängigkeitssicherheit

Wir pflegen Abhängigkeiten und überwachen auf Schwachstellen:
- Abhängigkeiten werden regelmäßig aktualisiert
- Sicherheitshinweise werden in GitHub Issues verfolgt
- Führen Sie `pip list --outdated` aus, um nach Updates zu suchen
- Erwägen Sie die Verwendung von `pip-audit` für Schwachstellenscans

### Melden von Sicherheitsproblemen

Ein Sicherheitsproblem gefunden? Bitte melden Sie es verantwortungsvoll:
- Erstellen Sie einen Security Advisory über die [private Schwachstellenmeldung](https://github.com/mrwadams/attackgen/security/advisories/new) von GitHub
- Veröffentlichen Sie Sicherheitsprobleme nicht öffentlich
- Wir bestätigen innerhalb von 48 Stunden
- Fixes werden priorisiert und schnell veröffentlicht

## Mitwirken

Ich freue mich sehr über Beiträge zu diesem Projekt. Bitte zögern Sie nicht, ein Issue oder einen Pull Request einzureichen.

## Lizenz

Dieses Projekt ist unter [GNU GPLv3](https://choosealicense.com/licenses/gpl-3.0/) lizenziert.

Was ist neu?

Warum ist es nützlich?

MCP-Server für agentische Clients

- Szenariogenerierung als Tools: Ein neuer FastMCP-Server (mcp_server.py, offizielles mcp-SDK) stellt AttackGen agentischen Clients über stdio bereit, sodass ein Assistent wie Claude Code oder Claude Desktop MITRE-Daten abrufen und Szenarien ohne die Streamlit-Oberfläche generieren kann.

- Zwei Ebenen: Datentools (list_threat_groups, list_case_studies, get_kill_chain, get_detection_report, get_navigator_layer, list_ai_insider_options, get_ai_insider_prompt) tätigen keinen LLM-Aufruf und benötigen keinen API-Schlüssel – sie geben strukturierte MITRE-Daten und, wo nützlich, einen sofort ausführbaren Prompt zurück, sodass sie sicher über HTTP gehostet werden können. Generierungstools (generate_threat_group_scenario, generate_custom_scenario, generate_ai_insider_scenario) akzeptieren eine Bring-Your-Own-Key-Konfiguration und geben fertiges Markdown zurück – halten Sie diese auf lokalem stdio.

- Gemeinsame Implementierung: Der Server verwendet dieselben headless core/prompts.py-Builder und core/attack_data.py-Lader wie die Streamlit-Seiten, sodass Szenarien mit der App übereinstimmen, anstatt abzuweichen. Start mit python -m mcp_server oder dem attackgen-mcp-Konsolenskript.

attackgen-tabletop-Agent-Fähigkeit

- Facilitator-fertige Tabletop-Übungen: Eine neue Agent-Fähigkeit baut auf den MCP-Datentools auf, um eine MITRE-ATT&CK/ATLAS-Bedrohungsgruppe oder -Fallstudie in eine vollständige IR-Tabletop-Übung / MSEL zu verwandeln – Szenario-Erzählung, phasenzugeordnete Kill-Chain, zeitgestempelte Injects, NIST-SP-800-61-Diskussionsfragen und eine Erkennungsabdeckungs-Scorecard.

- Läuft auf dem Modell des Aufrufers: Die Fähigkeit liefert das Übungshandwerk, während der MCP-Server die Daten liefert, sodass sie auf dem eigenen Modell des Clients ohne zusätzlichen API-Schlüssel läuft.

- Zwei Ausgabeformate: Geliefert als Markdown (Standard) oder als eigenständiger, druckfreundlicher HTML-Bericht.

Assistent verfeinert die Erkennungs- & Reaktionsausgabe

- Purple-Team-Bearbeitung: Der AttackGen-Assistent kann jetzt die Erkennungs- & Reaktions-Erzählung verfeinern, nicht nur das Szenario. Wenn ein Szenario mit dem 🟣-Purple-Team-Erzählungs-Umschalter (Seiten Bedrohungsgruppe / Benutzerdefiniert) generiert wird, erscheint ein -Auswahlfeld auf der Assistentenseite, sodass der Chat entweder das Szenario oder den Walkthrough des Verteidigers anvisieren kann – zuvor hatte der Assistent nur den Szenariotext.- Kombinierter Bearbeitungsmodus: Ein drittes -Ziel verfeinert beide zusammen, sodass eine übergreifende Änderung – eine andere Branche, ein anderer Bedrohungsakteur, eine andere Technik oder ein anderer Zeitplan – konsistent auf das Angreiferszenario und die Verteidigererzählung angewendet wird, anstatt zweimal vorgenommen zu werden und auseinanderzudriften.- Deterministische Fakten unangetastet: Nur die LLM-Erzählung ist ein Verfeinerungsziel; der lokale STIX-Erkennungs-Join wird nie LLM-bearbeitet. Jeder Bearbeitungsmodus behält seinen eigenen Chatverlauf, und der kombinierte Durchlauf wird in LangSmith als getaggt.

Was ist neu?

Warum ist es nützlich?

Purple-Team-Modus: Erkennung & Reaktion

- Defensiver Begleiter: Jedes Bedrohungsgruppen- und Benutzerdefinierte-Szenario zeigt jetzt einen Erkennung & Reaktion-Abschnitt, der jede Technik des Szenarios mit den MITRE-ATT&CK-Erkennungsstrategien, Analysen, Protokollquellen und Gegenmaßnahmen verknüpft, die bereits in den gelieferten Daten enthalten sind – das verwandelt eine reine Red-Team-Erzählung in eine Purple-Team-Übung („hier ist der Angriff, und hier ist genau, was Ihre SOC hätte sehen sollen“).

- Kein LLM-Aufruf für die Fakten: Der Erkennungsabschnitt ist ein lokaler Daten-Join, kein Modellaufruf – die Analysen, Protokollquellen und Gegenmaßnahmen, die er auflistet, sind also die echten, aktuellen MITRE-Inhalte und keine Modellvermutungen. Er wird als eigener ..._detection.md-Download zusammen mit dem Szenario und der Ebene angeboten.

- Zu aktivierende Protokollquellen: Eine Zusammenfassung pro Szenario listet die verschiedenen Protokollquellen auf, die die Erkennungen lesen (z. B. WinEventLog:Security (EventCode=4624)), sodass eine SOC auf einen Blick sehen kann, welche Telemetrie die Übung voraussetzt.

- Optionale Purple-Team-Erzählung: Ein 🟣 Purple-Team-Erzählungs-Umschalter pro Seite fügt einen zweiten Modell-Durchlauf hinzu, der das Szenario Schritt für Schritt aus der Sicht des Verteidigers durchgeht – was auslösen sollte, was der Analyst sieht, wie zu reagieren ist – streng begründet auf den obigen Erkennungen und Gegenmaßnahmen (keine erfundenen Erkennungen).

- ATLAS-bewusst: ATLAS-Szenarien listen Gegenmaßnahmen auf (ATLAS hat noch keine Erkennungsstrategien) und sagen dies, anstatt nichts zu zeigen.

MITRE ATT&CK v19.1 & neueste ATLAS-Daten

- Aktualisierte Frameworks: MITRE-ATT&CK-Enterprise- und ICS-Daten von v18.1 auf v19.1 aktualisiert und MITRE ATLAS auf die neueste Version aktualisiert, sodass generierte Szenarien die aktuellen Taktiken, Techniken und Fallstudien widerspiegeln.

- Aktualisierte Gruppenlisten: Die Dropdowns für Bedrohungsgruppen werden aus den v19.1-Bundles neu generiert (174 Enterprise- und 14 ICS-aktive Gruppen). Gruppen, die MITRE upstream zurückgezogen oder zusammengeführt hat (z. B. APT34 → OilRig, UNC2452 → APT29), erscheinen nicht mehr, während neu verfolgte Gruppen wie MirrorFace erscheinen.

- Mehr ATLAS-Fallstudien: Die ATLAS-Fallstudienbibliothek wuchs auf 57 (17 Vorfälle, 40 Übungen).

- Wiederholbare Aktualisierung: Ein neues scripts/generate_groups.py regeneriert die Gruppenzuordnungen aus den gelieferten STIX-Bundles und ergänzt das bestehende ATLAS-Fallstudien-Skript – der nächste Refresh ist also ein skriptgesteuerter Schritt statt manueller Kuratierung.

Was ist neu?

Warum ist es nützlich?

MITRE-ATLAS-Framework-Unterstützung

- KI/ML-Bedrohungsabdeckung: AttackGen unterstützt jetzt das MITRE-ATLAS-Framework (Adversarial Threat Landscape for AI Systems) und ermöglicht die Generierung von Incident-Response-Szenarien für Bedrohungen, die auf KI- und Machine-Learning-Systeme abzielen.

- Fallstudienbasierte Szenarien: Generieren Sie Szenarien basierend auf 45 dokumentierten realen KI-Angriffsfallstudien, darunter 14 tatsächliche Vorfälle und 31 Forschungsübungen, die Angriffe wie Prompt-Injection, Model Extraction und Data Poisoning abdecken.

- 147 ATLAS-Techniken: Zugriff auf die vollständige ATLAS-Technikbibliothek mit 16 KI-spezifischen Taktiken, einschließlich KI-Modellzugriff, KI-Angriffsvorbereitung und traditioneller, für KI-Systeme angepasster Angriffsphasen.

- KI-spezifische Vorlagen: Sechs neue benutzerdefinierte Szenariovorlagen für häufige KI/ML-Angriffe: Model Evasion, Data Poisoning, Model Extraction, Prompt Injection, LLM Jailbreak und KI-Supply-Chain-Angriffe.

Aktualisierte MITRE-ATT&CK-Daten auf v18.1

- Neueste Bedrohungsinformationen: AttackGen verwendet jetzt MITRE-ATT&CK-v18.1-Daten und stellt sicher, dass generierte Szenarien die aktuellsten Taktiken, Techniken und Verfahren von Bedrohungsakteuren widerspiegeln.

- Erweiterte Enterprise-Abdeckung: Die Liste der Enterprise-Bedrohungsgruppen ist von 150+ auf 187 Gruppen angewachsen, einschließlich neu verfolgter Akteure.

- Erweiterte ICS-Abdeckung: Die Liste der ICS-Bedrohungsgruppen ist von 7 auf 16 Gruppen angewachsen und bietet eine bessere Abdeckung für Szenarien industrieller Steuerungssysteme.

Aktualisierte LLM-Modellunterstützung

- OpenAI: GPT-5.2- und GPT-5.2-Pro-Modelle hinzugefügt; Modellliste durch Entfernen veralteter o-Serie-Reasoning-Modelle optimiert.

- Anthropic: Auf die Claude-4.5-Familie mit Sonnet 4.5, Haiku 4.5 und Opus 4.5 aktualisiert.

- Google AI: Gemini-3-Pro- und Flash-Vorschaumodelle hinzugefügt; Gemini-2.5-Optionen aktualisiert.

- Groq: GPT-OSS-120B- und 20B-Modelle für Hochleistungs-Inferenz hinzugefügt.

- Mistral: Auf datierte Modellversionen aktualisiert (Large 2512, Medium 2508, Small 2506); Ministral 14B hinzugefügt.

Fehlerbehebungen

- Behobene Google-AI-Antwortverarbeitung: Antwort-Parsing aktualisiert, um das strukturierte Inhaltsformat neuerer Gemini-Modelle zu verarbeiten, sodass Szenariotext korrekt extrahiert und angezeigt wird.

- Behobene ICS-Matrix-Fehlermeldungen: Fehlermeldungen zeigen jetzt korrekt „ICS ATT&CK“ statt „Enterprise ATT&CK“ bei Verwendung der ICS-Matrix.

- Verbesserte Behandlung leerer Techniken: Graceful Handling hinzugefügt, wenn eine Bedrohungsgruppe keine zugehörigen Techniken hat, wodurch Sekundärfehler verhindert werden.

Was ist neu?

Warum ist es nützlich?

LangChain-v1.0-Kompatibilität

- Behobene Breaking-Import-Änderungen: Alle Importe von veraltetem langchain.prompts.chat auf langchain_core.prompts aktualisiert, wodurch Kompatibilität mit LangChain v1.0 sichergestellt und ModuleNotFoundError-Probleme verhindert werden. Dies erhält die Stabilität, während sich das LangChain-Ökosystem weiterentwickelt.

Umfassende Sicherheitsinfrastruktur

- Automatisierte Sicherheitsprüfung: GitHub-Actions-Workflows für kontinuierliche Sicherheitsüberwachung eingeführt mit Bandit (Python-Codeanalyse), CodeQL (Schwachstellenerkennung), pip-audit (Abhängigkeitsscan), Safety (bekannte Schwachstellen), Gitleaks (Geheimniserkennung) und Trivy (Docker-Image-Scan).

- Dokumentation zu Sicherheits-Best-Practices: Umfassende SECURITY.md hinzugefügt, die unterstützte Versionen, Schwachstellenmeldung, API-Key-Verwaltung, Datenschutzaspekte und Bereitstellungssicherheitshinweise abdeckt.

- Erweiterter README-Sicherheitsabschnitt: Sicherheitshinweise mit klaren Do's and Don'ts für API-Key-Schutz, Datenschutzaspekte und verantwortungsvolle Bereitstellungspraktiken erweitert.

Docker-Verbesserungen

- Erhöhte Sicherheit: Dockerfile aktualisiert, um als Nicht-Root-Benutzer auszuführen, was die Containersicherheitslage verbessert.

- Docker-Compose-Unterstützung: docker-compose.yml für optimierte Multi-Service-Bereitstellung und einfachere lokale Entwicklungseinrichtung hinzugefügt.

- Bessere Build-Optimierung: .dockerignore verbessert, um die Image-Größe zu reduzieren und zu verhindern, dass sensible Dateien in Container-Images aufgenommen werden.

- Umfassende Konfigurationsvorlage: .env.example mit allen unterstützten API-Keys (OpenAI, Anthropic, Azure, Google, Mistral, Groq) für einfachere Ersteinrichtung aktualisiert.

Fehlerbehebungen

- Ollama-API-Timeout: Timeout-Konfiguration zu Ollama-API-Anfragen hinzugefügt, um hängende Verbindungen zu verhindern.

- Safety-CLI-Updates: Von veraltetem safety check-Befehl auf neuen safety scan-Befehl aktualisiert, um die fortlaufende Sicherheits-Scan-Funktionalität sicherzustellen.

- Bandit-Konfiguration: Bandit-Sicherheits-Scan-Konfiguration für genauere Python-Codeanalyse korrigiert.

Was ist neu?

Warum ist es nützlich?

Erweiterte Modellunterstützung

- Neueste OpenAI-Reasoning-Modelle: AttackGen unterstützt jetzt die neuesten Reasoning-Modelle von OpenAI, einschließlich o4-mini (das neueste Reasoning-Modell), o3/o3-mini und o1-pro (erweiterte Reasoning-Fähigkeiten). Diese Modelle zeichnen sich bei komplexer Szenariogenerierung aus, die tiefes logisches Denken erfordert.

- GPT-4.1-Serie: Unterstützung für die GPT-4.1-Serienmodelle (gpt-4.1, gpt-4.1-mini und gpt-4.1-nano) hinzugefügt, die die neuesten Verbesserungen der allgemeinen KI-Fähigkeiten mit leichteren Alternativen für kostensensible Anwendungsfälle bieten.

- Anthropic-Claude-Modelle: Umfassende Unterstützung für Anthropics Claude-Modelle hinzugefügt, einschließlich claude-opus-4-20250514, claude-sonnet-4-20250514, claude-3-7-sonnet-latest und claude-3-5-haiku-latest. Diese Modelle bieten hervorragende Leistung für die Generierung detaillierter und kontextbewusster Incident-Response-Szenarien mit starken Reasoning-Fähigkeiten.

- Aktualisierte Google-AI-Modelle: Die Google-AI-Modellauswahl um die neuesten Gemini-2.5-Vorschaumodelle (gemini-2.5-flash-preview-05-20 und gemini-2.5-pro-preview-05-06) neben Gemini-2.0-Modellen aktualisiert, was Zugriff auf die jüngsten Verbesserungen der Google-KI-Technologie bietet.

- Verbesserte Modellorganisation: Modellauswahl-Dropdowns neu organisiert, um neuere Modelle zu priorisieren, und Beschreibungen aktualisiert, um klar zwischen verschiedenen Modelltypen und -fähigkeiten zu unterscheiden.

Verbesserte Technikauswahl-Logik

- Robustere Gruppenbehandlung: Ein Problem behoben, bei dem leere Bedrohungsakteursgruppen Fehler während der Technikauswahl verursachen konnten. Das Tool behandelt leere Gruppen jetzt ordnungsgemäß, indem es einen leeren DataFrame zurückgibt, was einen stabilen Betrieb auch mit begrenzten Bedrohungsakteursdaten gewährleistet.

- Phasennamenerhaltung: Den Technikauswahlprozess verbessert, um 'Phase Name' ordnungsgemäß in die Ausgabe aufzunehmen und die Kill-Chain-Phaseninformationen während des gesamten Szenariogenerierungsprozesses beizubehalten. Dies stellt sicher, dass generierte Szenarien den richtigen Kontext darüber behalten, zu welcher Angriffsphase jede Technik gehört.

Verbesserungen der Entwicklungsumgebung

- Verbessertes .gitignore: Unterstützung für .venv-Verzeichnisse virtueller Umgebungen zusätzlich zu venv hinzugefügt, um unterschiedliche Entwicklerpräferenzen und Python-Umgebungsverwaltungstools zu berücksichtigen.

- Code-Bereinigung: Nicht verwendete Importe in Szenariogenerierungsskripten entfernt, was die Code-Wartbarkeit verbessert und potenzielle Verwirrung reduziert.

Was ist neu?

Warum ist es nützlich?

GPT-4o-Modellunterstützung

- Erweiterte Modelloptionen: AttackGen unterstützt jetzt die Verwendung des GPT-4o-Modells von OpenAI. GPT4-o ist das führende Modell von OpenAI, das Szenarien doppelt so schnell wie GPT-4 zum halben Preis generieren kann.

Was ist neu?

Warum ist es nützlich?

-----------

----------------

AttackGen Assistant

- Iterative Szenario-Verfeinerung: Die neue Chat-Oberfläche ermöglicht es Benutzern, mit ihren generierten Incident-Response-Szenarien zu interagieren, sodass sie diese einfach aktualisieren und Fragen zum Szenario stellen können, ohne es von Grund auf neu generieren zu müssen. Diese Funktion ermöglicht einen iterativen Ansatz bei der Szenario-Entwicklung, bei dem Benutzer ihre Szenarien basierend auf den Antworten des KI-Assistenten verfeinern und verbessern können.

- Kontextbezogene Unterstützung: Der KI-Assistent antwortet auf Benutzeranfragen basierend auf dem Kontext des generierten Szenarios und dem Gesprächsverlauf. Dies stellt sicher, dass die Antworten des Assistenten relevant und hilfreich bei der Verfeinerung des Szenarios sind.

Schnellstart-Vorlagen für benutzerdefinierte Szenarien

- Schnelle Szenario-Generierung: Benutzer können jetzt schnell benutzerdefinierte Incident-Response-Szenarien basierend auf vordefinierten Vorlagen für häufige Arten von Cyber-Vorfällen generieren, wie z. B. Phishing-Angriffe, Ransomware-Angriffe, Malware-Infektionen und Insider-Bedrohungen. Diese Funktion erleichtert die Erstellung realistischer Szenarien, ohne einzelne ATT&CK-Techniken auswählen zu müssen.

- Optimierter Workflow: Die Vorlagenauswahl ist nahtlos in den Prozess der Generierung benutzerdefinierter Szenarien integriert. Benutzer können eine Vorlage auswählen, die automatisch die relevanten ATT&CK-Techniken ausfüllt, und das Szenario bei Bedarf weiter anpassen.

Google AI API-Integration

- Erweiterte Modelloptionen: AttackGen unterstützt jetzt die Verwendung von Googles Gemini-Modellen zur Generierung von Incident-Response-Szenarien. Diese Integration erweitert die Palette hochwertiger Modelle, die Benutzern zur Verfügung stehen, und ermöglicht es ihnen, Googles KI-Fähigkeiten zur Erstellung realistischer und vielfältiger Szenarien zu nutzen.

Was ist neu?

Warum ist es nützlich?

Azure OpenAI Service-Integration

- Erweiterte Integration: Benutzer können jetzt wählen, ob sie auf dem Azure OpenAI Service bereitgestellte OpenAI-Modelle zusätzlich zur standardmäßigen OpenAI-API nutzen möchten. Diese Integration bietet eine nahtlose und sichere Lösung zur Einbindung von AttackGen in bestehende Azure-Ökosysteme und nutzt etablierte kommerzielle und Vertraulichkeitsvereinbarungen.

- Verbesserte Datensicherheit: Die Ausführung von AttackGen über Azure stellt sicher, dass Anwendungsbeschreibungen und andere Daten innerhalb der Azure-Umgebung bleiben, was es ideal für Organisationen macht, die sensible Daten in ihren Bedrohungsmodellen verarbeiten.

LangSmith für Azure OpenAI Service

- Verbessertes Debugging: LangSmith-Tracing ist jetzt für Szenarien verfügbar, die mit dem Azure OpenAI Service generiert wurden. Diese Funktion bietet ein leistungsstarkes Werkzeug zum Debuggen, Testen und Überwachen der Modellleistung und ermöglicht es Benutzern, Einblicke in den Entscheidungsprozess des Modells zu gewinnen und potenzielle Probleme mit den generierten Szenarien zu identifizieren.

- Benutzerfeedback: LangSmith erfasst auch Benutzerfeedback zur Qualität der mit dem Azure OpenAI Service generierten Szenarien und liefert wertvolle Einblicke in die Modellleistung und Benutzerzufriedenheit.

Modellauswahl für die OpenAI-API

- Flexible Modelloptionen: Benutzer können jetzt aus mehreren Modellen wählen, die über den OpenAI-API-Endpunkt verfügbar sind, wie z. B. gpt-4-turbo-preview. Dies ermöglicht eine größere Anpassung und Experimentierfreude mit verschiedenen Sprachmodellen und hilft Benutzern, das am besten geeignete Modell für ihren spezifischen Anwendungsfall zu finden.

Docker-Container-Image

- Einfache Bereitstellung: AttackGen ist jetzt als Docker-Container-Image verfügbar, was die Bereitstellung und Ausführung der Anwendung in einer konsistenten und reproduzierbaren Umgebung erleichtert. Diese Funktion ist besonders nützlich für Benutzer, die AttackGen in einer containerisierten Umgebung ausführen möchten, oder für solche, die die Anwendung auf einer Cloud-Plattform bereitstellen möchten.

Basis-Szenario-zuerst-Generierung	- Szenario vor dem Warten: Die Generierung läuft jetzt in Phasen ab – das Basisszenario wird zuerst gerendert, wobei die Schaltflächen Szenario herunterladen und ATT&CK-Navigator-Ebene herunterladen bereits aktiv sind, und die optionale Purple-Team-Erzählung wird anschließend gestreamt. Wenn dieser zweite Durchlauf langsam ist oder Sie ihn nicht benötigen, ist das Szenario sofort nutzbar, anstatt zurückgehalten zu werden, bis alles fertig ist. - Eingaben bei Generierung eingefroren: Jeder Lauf arbeitet mit einer Momentaufnahme, die in dem Moment erstellt wird, in dem Sie Generieren drücken. So kann das Ändern der Seitenleiste während eines Laufs das erzeugte Szenario nicht teilweise neu schreiben. - Ehrlicher Fortschritt: Ein laufendes Zeitlabel und benannte Phasen – Vorbereiten der Eingaben, Generieren des Basisszenarios, Erstellen der deterministischen Exporte, Generieren der Purple-Team-Erzählung – zeigen, wo ein langer Lauf tatsächlich angekommen ist.
Neutrale, ohne Sackgassen auskommende Auswahlfelder	- Nur Optionen, die funktionieren: Die Auswahlfelder für Bedrohungsgruppen und Fallstudien bieten jetzt nur noch die Auswahlmöglichkeiten an, die tatsächlich ein Szenario erzeugen. Eine Auswahl kann also nicht mehr in eine Sackgasse führen. - Natürliche Sortierung: Gruppen werden in natürlicher numerischer Reihenfolge sortiert, sodass APT3 vor APT28 und APT30 kommt, anstatt als Text sortiert zu werden und zwischen ihnen zu landen.
Gemeinsame Setup-Seitenleiste auf jeder Seite	- Einmal einrichten: Anbieter, Modell, Framework, Branche und Unternehmensgröße befinden sich jetzt in einer einzigen gemeinsamen Setup-Seitenleiste auf jeder Szenarioseite – Bedrohungsgruppe, Benutzerdefiniert und KI-Insider-Bedrohung – anstatt auf jeder Seite erneut eingegeben zu werden. - Übersteht Navigation: Nicht geheime Auswahlen bleiben erhalten, wenn Sie zwischen Seiten wechseln, und werden in der URL gespiegelt, während API-Schlüssel bewusst aus der Abfragezeichenfolge herausgehalten werden.
Plattform- und Sicherheits-Haushalt	- MCP auf dem 2.x-SDK: Der MCP-Server wurde auf das `mcp`-2.x-SDK umgestellt. - Neueres Basis-Image: Das Docker-Image basiert jetzt auf `python:3.14-slim`. - CI-Gates statt Warnungen: Die Sicherheitsscans lassen den Build jetzt bei Befunden fehlschlagen, anstatt sie nur zu melden – pip-audit und Bandit gaten, Trivy zählt das gebündelte SBOM von pip nicht mehr fälschlich als installierte Pakete, und die umsetzbaren Image-CVEs sind behoben. GitHub Actions wurden von der Node-20-Laufzeit umgestellt, und Dependabot verfolgt jetzt die Workflow-Aktionen selbst.

Preset für Evaluierungsumgebungs-Flucht und Szenario-Seed	- Einen bestimmten Vorfall proben: Eine neue KI-Insider-Bedrohungsvorlage probt einen Evaluierungsagenten, der von einer als isoliert angenommenen Umgebung aus reale Systeme erreicht – was Containment, Anmeldeinformationsrotation, Benachrichtigung Dritter und Beweissicherung erzwingt. Sie deckt die Offenlegungen vom Juli 2026 ab, bei denen Evaluierungsagenten aus ihren Sandboxes entkamen und die Isolationsgrenze angenommen statt durchgesetzt wurde. - Vorlagen erreichen jetzt den Prompt: Schnellstart-Vorlagen füllten zuvor nur die Widgets der Seite vor und beeinflussten das generierte Szenario nie. Sie tragen jetzt eine narrative `brief` und die `required_decisions`, die die Diskussionsfragen erzwingen müssen, beides in den Prompt eingefädelt – so erzeugt eine Vorlage eine nutzbare zeitgesteuerte Tabletop-Übung statt einer Sammlung von Fragen. Dies teilt sie in zwei Klassen: Die sechs ursprünglichen Archetyp-Vorlagen setzen nur Entscheidungen, sodass das Modell die Prämisse erfindet und ein erneuter Lauf eine frische Übung für dasselbe Bedrohungsprofil ergibt; Vorfall-Vorlagen setzen zusätzlich eine Brief und legen die Situation fest. - Freitext-Szenario-Seed: Ein optionales Seed-Feld auf der Seite KI-Insider-Bedrohung lenkt die Erzählung für jedes Szenario. Die Auswahl einer Vorlage füllt es vor, und Sie können es bearbeiten oder von Grund auf selbst schreiben. - Taxonomie auf 27 Bedrohungen / 6 Kategorien erweitert: Fügt eine sechste Bedrohungskategorie (Containment & Auswirkungen auf Dritte) und vier STRIDE-Bedrohungen hinzu, um die sich die Übung dreht – `S5` Wiederverwendbare Workload-Anmeldeinformations-Wiedergabe, `R4` Agentenseitige Telemetrieunterdrückung, `I5` Kompromittierung Dritter & nachgelagerter Systeme und `E5` Fehler bei der Containment-Grenzabsicherung. AttackGen erweitert jetzt das veröffentlichte Bedrohungsmodell, anstatt es nur zu spiegeln. - Vorlagen über MCP nutzbar: `get_ai_insider_prompt` und `generate_ai_insider_scenario` akzeptieren `template=` und `scenario_seed=`, und `list_ai_insider_options` gibt jede Vorlage mit den Auswahlen und der Brief zurück, die sie anwendet – so kann ein Client ein Preset nach Verdienst auswählen und nur mit einer Vorlage, Branche und Unternehmensgröße aufrufen. Zuvor wurden die Vorlagennamen aufgelistet, aber kein Tool akzeptierte eine.
attackgen-tabletop-Fähigkeit: KI-Insider-Bedrohungspfad	- Ein zweiter Übungspfad: Die Agent-Fähigkeit baut jetzt eine Tabletop-Übung sowohl aus dem KI-Insider-Bedrohungsmodell als auch aus einer MITRE-Kill-Chain auf. Wählen Sie eine Schnellstart-Vorlage (oder einen Bereitstellungs-Archetyp und Bedrohungskategorien), und sie verwandelt die Nutzlast von `get_ai_insider_prompt` in ein MSEL. - Gleiche Form, andere Grundlage: Die Übung behält dieselben sechs Abschnitte, aber die Kill-Chain-Tabelle wird zu einem Agentenprofil und STRIDE-Bedrohungsumfang, die Erkennungs-Scorecard wird gegen die Erkennungsposition des Bereitstellungs-Archetyps bewertet – sodass die Zeilen, die nicht auslösen würden, zum Befund werden – und die erforderlichen Entscheidungen der Vorlage werden zu verpflichtenden Diskussionsfragen. - Pfad für Sie gewählt: Die Beschreibung der Fähigkeit löst jetzt bei Formulierungen zu Schurken-Agenten aus, sodass eine Anfrage nach einer „KI-Insider-Bedrohungs-Tabletop-Übung“ den richtigen Pfad erreicht. Ein externer Akteur mit KI-beschleunigter Vorgehensweise bleibt auf dem MITRE-Pfad. - Reaktion, nicht Ausnutzung: Beide Pfade sind ausdrücklich darauf begrenzt, die Entscheidungen zu proben, die ein Reaktionsteam treffen muss – kein Exploit-Code, keine Payloads, keine echten ungepatchten Schwachstellen – und der KI-Pfad schreibt Agentenverhalten Konfiguration, Zugriff und Ziel zu, nicht menschlichen Motiven.
Fix: MCP-KI-Insider-Prompts ließen die Agentenfähigkeiten weg	- Gleiche Vorlage, gleicher Prompt: Der Fähigkeitsblock für Frontier-Agenten – die benchmarkgestützten Zeilen, die ein KI-Insider-Szenario glaubwürdig machen – fehlte in jedem `get_ai_insider_prompt`-/`generate_ai_insider_scenario`-Aufruf, der `capabilities` nicht explizit benannte. Keine Vorlage liefert sie, also fiel das Argument auf leer zurück und der Prompt setzte eine generische Zeile „nimm einen fähigen Frontier-Coding-Agenten an“ ein, während Seite 3 alle vier für dieselbe Vorlage sendete. - Standardwerte stimmen jetzt mit der App überein: Das Weglassen von `capabilities` wendet den vollständigen Satz an, wie es das Multiselect der Seite tut. Das Übergeben von `[]` lässt sie weiterhin unspezifiziert, sodass der bewusste Opt-out unverändert bleibt.
Fix: Szenariogenerierung mit Anthropic Claude 4.7+	- Jedes Claude-Modell funktioniert wieder: Claude 4.7 und höher lehnen jede Sampling-`temperature` ab und geben `BadRequestError: 'temperature' is deprecated for this model` zurück. Vier der fünf aufgeführten Anthropic-Modelle – Fable 5, Opus 4.8, Sonnet 5 und Opus 4.7 – konnten auf keiner Seite ein Szenario generieren; nur Haiku 4.5 funktionierte. - Pro Modell gegated, nicht pro Anbieter: Die Temperaturregel wurde zuvor vom Anbieter geroutet, was einen Anbieter, dessen Modelle sich unterscheiden, nicht ausdrücken kann. `ModelInfo.supports_temperature` markiert jetzt die Modelle, die eine ablehnen, sodass Haiku 4.5 seine konfigurierte Temperatur behält, während seine Geschwister sie weglassen. OpenAI bleibt eine anbieterseitige Regel (jedes aktuelle Chat-Modell ist ein Reasoning-Modell), und nicht registrierte Modelle – lokale Ollama-/LM-Studio-Endpunkte – erhalten weiterhin eine Temperatur.

Was ist neu?	Warum ist es nützlich?
OpenAI-Responses-API-Integration	- Next-Generation-API: AttackGen verwendet jetzt die neueste Responses-API von OpenAI für alle unterstützten Modelle und bietet eine einheitliche und verbesserte Schnittstelle.
Unterstützung neuester Frontier-Modelle	- GPT-5-Integration: Unterstützung für die neueste GPT-5-Modellserie von OpenAI hinzugefügt, einschließlich gpt-5, gpt-5-mini und gpt-5-nano, die Zugriff auf die fortschrittlichsten KI-Fähigkeiten für die Szenariogenerierung bietet. - Claude Sonnet 4.5: Unterstützung für das neueste Claude-Sonnet-4.5-Modell von Anthropic (claude-sonnet-4-5-20250929) hinzugefügt, zusammen mit aktualisierten Claude-Modellversionen einschließlich Claude Opus 4.1 (claude-opus-4-1-20250805).
Fehlerbehebungen und Verbesserungen	- Behobene Streamlit-Deprecation-Warnung: Veralteten `use_container_width`-Parameter durch den neuen `width`-Parameter ersetzt, um Kompatibilität mit zukünftigen Streamlit-Versionen sicherzustellen. - Erweiterte Dokumentation: CLAUDE.md mit umfassenden Hinweisen für zukünftige Entwicklungsarbeit aktualisiert und detaillierte Architekturinformationen hinzugefügt.

Was ist neu?	Warum ist es nützlich?
Unterstützung für die neuen 'Reasoning'-Modelle von OpenAI	- Verbesserte Szenariogenerierung: AttackGen unterstützt jetzt die neuen 'Reasoning'-Modelle von OpenAI (o1-preview und o1-mini) und ermöglicht die Generierung hochdetaillierter und nuancierter Incident-Response-Szenarien. Diese Modelle bieten verbesserte Kohärenz und Tiefe bei der Szenarioerstellung.
MITRE-ATT&CK-ICS-Matrix-Unterstützung	- Erweiterter Umfang: AttackGen unterstützt jetzt die Generierung von Incident-Response-Testszenarien mit der MITRE-ATT&CK-ICS-Matrix (Industrial Control Systems) zusätzlich zur Enterprise-Matrix. Dies ermöglicht es Benutzern, Szenarien zu erstellen, die auf industrielle und kritische Infrastrukturumgebungen zugeschnitten sind.
Aktualisierte ATT&CK-Quelldaten auf v15.1	- Neueste Bedrohungsinformationen: Das Tool verwendet jetzt die aktuellsten MITRE-ATT&CK-Daten (v15.1) und stellt sicher, dass generierte Szenarien die neuesten bekannten Taktiken, Techniken und Verfahren von Bedrohungsakteuren widerspiegeln.
Aktualisierte Bedrohungsgruppendaten	- Umfassende Abdeckung: Die Gruppendaten wurden aktualisiert, um die neuesten in MITRE ATT&CK verfolgten Gruppen wie Scattered Spider einzuschließen. Dies stellt sicher, dass Benutzer Szenarien basierend auf den aktuellsten verfügbaren Bedrohungsakteursinformationen generieren können.
Laden von API-Keys / Geheimnissen aus einer .env-Datei	- Erhöhte Sicherheit: Benutzer können ihre API-Keys und andere sensible Informationen jetzt in einer .env-Datei speichern, was die Sicherheit verbessert und die Verwaltung von Anmeldeinformationen über verschiedene Umgebungen hinweg erleichtert.

Was ist neu?	Warum ist es nützlich?
GPT-4o-mini-Modellunterstützung	- Erweiterte Modelloptionen: AttackGen unterstützt jetzt die Verwendung des GPT-4o-mini-Modells von OpenAI. GPT4-o mini ist ein äußerst kosteneffizientes kleines Modell.
Aktualisierte Modellauswahl für die Google-AI-API	- Erweiterte Modelloptionen: AttackGen unterstützt jetzt die stabilen und Preview-Versionen von Gemini 1.5 Pro.

attackgen

Beliebteste

Über

v0.14

v0.13.1

v0.13

v0.11

v0.10.1

v0.10

v0.9

v0.8

v0.7

v0.6

v0.5.2

v0.5.1

v0.4

v0.3

v0.2

v0.1

Was ist neu?	Warum ist es nützlich?
Mistral API-Integration	- Alternativer Modellanbieter: Benutzer können jetzt die Mistral-AI-Modelle nutzen, um Incident-Response-Szenarien zu generieren. Diese Integration bietet eine Alternative zu den OpenAI- und Azure-OpenAI-Service-Modellen und ermöglicht es Benutzern, die Leistung verschiedener Sprachmodelle für ihren spezifischen Anwendungsfall zu erkunden und zu vergleichen.
Unterstützung lokaler Modelle mit Ollama	- Lokales Modell-Hosting: AttackGen unterstützt jetzt die Verwendung lokal gehosteter LLMs über eine Integration mit Ollama. Diese Funktion ist besonders nützlich für Organisationen mit strengen Datenschutzanforderungen oder solche, die ihre Daten lieber on-premises behalten möchten. Bitte beachten Sie, dass diese Funktion nicht für Benutzer der auf Streamlit Community Cloud unter https://attackgen.streamlit.app gehosteten AttackGen-Version verfügbar ist.
Optionale LangSmith-Integration	- Verbesserte Flexibilität: Die Integration mit LangSmith ist jetzt optional. Wenn kein LangChain-API-Schlüssel bereitgestellt wird, sehen Benutzer eine informative Meldung, die angibt, dass der Lauf nicht von LangSmith protokolliert wird, anstatt dass ein Fehler ausgelöst wird. Diese Änderung verbessert die allgemeine Benutzererfahrung und ermöglicht es Benutzern, AttackGen ohne LangSmith weiter zu verwenden.
Verschiedene Fehlerbehebungen und Verbesserungen	- Verbesserte Benutzererfahrung: Dieses Release enthält mehrere Fehlerbehebungen und Verbesserungen der Benutzeroberfläche, die AttackGen benutzerfreundlicher und robuster machen.

Was ist neu?	Warum ist es nützlich?
Benutzerdefinierte Szenarien basierend auf ATT&CK-Techniken	- Für reife Organisationen: Diese Funktion ist besonders vorteilhaft, wenn Ihre Organisation über erweiterte Threat-Intelligence-Fähigkeiten verfügt. Wenn Sie beispielsweise eine neu identifizierte oder weniger bekannte Bedrohungsakteursgruppe überwachen, können Sie Incident-Response-Testszenarien speziell auf die von dieser Gruppe verwendeten Techniken zuschneiden. - Fokussierte Tests: Alternativ können Sie diese Funktion nutzen, um Ihre Incident-Response-Tests auf bestimmte Teile der Cyber-Kill-Chain oder bestimmte MITRE-ATT&CK-Taktiken wie „Lateral Movement“ oder „Exfiltration“ zu konzentrieren. Dies ist nützlich für Organisationen, die bestimmte Bereiche ihrer Verteidigungsposition bewerten und verbessern möchten.
Benutzerfeedback zu generierten Szenarien	- Das Sammeln von Feedback ist entscheidend, um die Modellleistung im Laufe der Zeit zu verfolgen, und hilft, Stärken und Schwächen bei Szenario-Generierungsaufgaben hervorzuheben.
Verbesserte Fehlerbehandlung für fehlende API-Schlüssel	- Verbesserte Benutzererfahrung.
Ersetzte Streamlit-`st.spinner`-Widgets durch das neue `st.status`-Widget	- Bietet bessere Sichtbarkeit in langlaufende Prozesse (d. h. Szenario-Generierung).