PHANTOM BRAIN v0.9

Offline KI-gestütztes Pentesting-Analyse-Tool mit echter Hardware-Integration

Lokale LLM-Analyse (via Ollama) für WiFi, Sub-GHz, NFC/RFID und WPA2-Captures — kein Internet erforderlich, keine Cloud-APIs, 100 % offline. Das Haupt-LLM läuft auf einem Windows-PC. Der Raspberry Pi fungiert als leichtgewichtiger sekundärer Knoten (Live-Capture + nur phi3:mini).

Unterstützte Hardware: Flipper Zero · WiFi Pineapple MK7 · Proxmark3 · Raspberry Pi 4 (Kali Linux) · Atheros AR9271

Modelle: mistral:7b-instruct · deepseek-r1:7b · phi3:mini

Lizenz: GPL-3.0 | Autor: Otto | Community: AI Tinkerers

⚠️ Experimentelles Projekt — nicht für den Produktiveinsatz geeignet. Die KI-Analyse unterstützt menschliche Forscher; sie ersetzt keine manuelle Prüfung. Überprüfen Sie Ergebnisse stets eigenständig.

Was Phantom Brain IST und NICHT IST

💡 Jeder KI-generierte Bericht sollte als Ausgangspunkt betrachtet werden, nicht als endgültiges Urteil. LLMs können Schwachstellen halluzinieren. Strukturierte Parser-Ausgaben (ohne KI) sind stets zuverlässiger.

Systemarchitektur

FELD (Mobil):
┌──────────────────┐
│  Flipper Zero    │ ──► Sub-GHz (.sub), NFC (.nfc), WiFi-Scanning
└──────────────────┘
┌──────────────────┐
│  WiFi Pineapple  │ ──► WPA2-Handshakes (.pcap), Deauth, PMKID
└──────────────────┘
┌──────────────────┐
│  Proxmark3       │ ──► Erweitertes RFID/NFC (EM410x, MIFARE, EMV)
└──────────────────┘

BASIS — PRIMÄRKNOTEN (für volle Funktionalität erforderlich):
┌──────────────────────────────────────────────────────┐
│  Windows-PC (oder Linux-Desktop)                     │
│  Python 3.11+ · Ollama · Flask API                  │
│  Ausführen: mistral:7b-instruct, deepseek-r1:7b      │
│  ► PHANTOM BRAIN CLI, vollständige Analyse, Berichte |
└──────────────────────────────────────────────────────┘

BASIS — SEKUNDÄRKNOTEN (optional, leichtgewichtig):
┌──────────────────────────────────────────────────────┐
│  Raspberry Pi 4 (Kali Linux)                         │
│  Ollama · Atheros AR9271                             │
│  Ausführen: nur phi3:mini (mistral:7b zu schwer für Pi) │
│  ► Live-WiFi-Capture · leichte lokale Inferenz        │
│  HINWEIS: Verbindet sich mit dem Ollama des PCs für schwere Modelle │
└──────────────────────────────────────────────────────┘

⚠️ Architekturhinweis: Der Raspberry Pi führt nicht den gesamten Phantom-Brain-Stack autonom aus. Für eine vollständige Analyse mit mistral:7b-instruct oder deepseek-r1:7b ist ein PC mit Ollama erforderlich. Der Pi dient als Capture-Knoten und kann nur phi3:mini für leichte Offline-Inferenz ausführen.

Analyse-Pipeline (v0.9)

input → classifier → tool.run() → ToolResult(risk, findings) → Ollama

Jeder Capture-Typ durchläuft sein spezifisches Tool, bevor er das LLM erreicht. Das Tool strukturiert die Ausgabe mit einer Risikostufe und wichtigen Erkenntnissen und reichert so den Kontext für Ollama an.

Funktionen

WiFi / Marauder

• Marauder-Log-Parser
• Erkennung von verwundbaren WPS-Netzwerken
• Identifizierung versteckter Netzwerke
• Sicherheitsstatistiken

Sub-GHz / Flipper Zero

• .sub-Datei-Parser (sub_ghz_parser.py)
• Extraktion: Protokoll, Frequenz, Schlüssel, Pakete
• Unterstützt: Security+ 2.0, Rolling Code, Fixed Code
• Musteranalyse über mehrere Captures hinweg (sub_ghz_analyzer.py)

NFC / Flipper Zero + Proxmark3

• .nfc-Datei-Parser (nfc_parser.py)
• Unterstützt: MIFARE Classic 1K/4K, MIFARE Plus, NTAG, FeliCa, EMV
• Schwachstellenanalysator (nfc_analyzer.py)
• Erkennung: Darkside, Hardnested, Reader Auth Bypass
• Spezielle Analyse für SUBE (öffentlicher Nahverkehr)
• Proxmark3-Ausgabe-Parser (proxmark_parser.py)

WPA2 / WiFi Pineapple

• PCAP-Parser mit Scapy (pcap_parser_v2.py)
• Extraktion: BSSID, SSID, EAPOL-Frames, PMKID
• Validierung vollständiger Handshakes
• Vollständige Pipeline: hcxpcapngtool → hashcat -m 22000

Tools-System (v0.9)

• tools/base_tool.py — einheitlicher BaseTool + ToolResult-Vertrag
• ToolResult mit risk (KRITISCH/HOCH/MITTEL/NIEDRIG) und strukturierten findings
• tools/registry.py — zentrales Register, weist den korrekten Tool nach Typ zu
• tools/classifier.py — automatische Erkennung anhand von Erweiterung und Inhalt
• 14/14 Tests bestanden mit echten Fixtures (pytest tests/test_tools.py)

Datenbank und Berichte

• SQLite für Analysehistorie (db_manager.py)
• Klartextberichte mit Zeitstempel
• Suche nach UID/BSSID, Filter nach Risikostufe
• Analysestatistiken

Flask-API-REST

• flask_api.py läuft auf Port 5000
• GET /status — prüft Ollama und verfügbare Modelle
• POST /upload — empfängt .pcap, .nfc, .sub-Dateien
• POST /analyze — analysiert mit Ollama und speichert in SQLite
• GET /analysis/<id> — ruft gespeicherte Analyse nach ID ab

Unterstützte KI-Modelle

Hinweis: Geschwindigkeitsbenchmarks gemessen auf einem PC mit 32 GB RAM (nur CPU, keine GPU). GPU-Beschleunigung über CUDA/ROCm reduziert die Inferenzzeit erheblich. Der Pi kann nur phi3:mini zuverlässig ausführen — mistral:7b verursacht thermische Drosselung und OOM auf Pi 4B 8GB.

Alle Modelle laufen 100 % offline über Ollama — keine Internetverbindung erforderlich.

Dateistruktur

phantom-brain/
├── phantom_brain.py          # Haupt-CLI - Einstiegspunkt
├── flask_api.py              # Flask-REST-API
├── db_manager.py             # SQLite - Berichtshistorie
├── pcap_parser_v2.py         # Parser WPA2/PCAP
├── proxmark_parser.py        # Parser Ausgabe Proxmark3
├── nfc_parser.py             # Flipper .nfc-Datei-Parser
├── nfc_analyzer.py           # NFC-Schwachstellenanalysator
├── sub_ghz_parser.py         # Flipper .sub-Datei-Parser
├── sub_ghz_analyzer.py       # Sub-GHz-Musteranalysator
├── exploit_guide.py          # Exploit-Anleitungen ohne KI
├── proxmark_launch.bat       # Proxmark3-Startskript (Windows)
├── config.yaml.example       # Konfigurationsvorlage
├── requirements.txt          # Python-Abhängigkeiten
├── tools/                    # Modulares Tools-System (v0.9)
│   ├── base_tool.py          # BaseTool + ToolResult mit Risiko/Erkenntnissen
│   ├── classifier.py         # Automatische Erkennung des Capture-Typs
│   ├── registry.py           # Zentrales Tool-Register
│   ├── proxmark_tool.py      # Tool Proxmark3
│   ├── nfc_tool.py           # Tool NFC
│   ├── wpa2_tool.py          # Tool WPA2/PCAP
│   └── subghz_tool.py        # Tool Sub-GHz
├── tests/                    # Automatisierte Tests (14/14 bestanden)
│   └── test_tools.py
├── prompts/                  # System-Prompts nach Typ getrennt
│   └── system_prompts.py
├── benchmarks/               # Benchmark-Suite
│   ├── dataset/              # Captures mit erwarteten Ergebnissen
│   ├── results/              # JSON- und Markdown-Berichte
│   ├── benchmark_runner.py
│   └── run_benchmark.py
├── reportes/                 # Generierte Berichte (ignoriert in git)
├── pcap/                     # WPA2-Captures (ignoriert in git)
└── archive/                  # Frühere Versionen

Installation

git clone https://github.com/OttoyRocky/phantom-brain.git
cd phantom-brain
pip install -r requirements.txt
cp config.yaml.example config.yaml
ollama pull mistral:7b-instruct

Raspberry Pi (Kali Linux)

echo 'export OLLAMA_MODELS=/media/kali/discoexterno/ollama' >> ~/.zshrc
source ~/.zshrc
ollama pull phi3:mini

sudo fallocate -l 2G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

cd /media/kali/discoexterno
git clone https://github.com/OttoyRocky/phantom-brain.git

Verwendung

python phantom_brain.py
python flask_api.py
curl http://127.0.0.1:5000/status
python -m pytest tests/test_tools.py -v

Hauptmenü

1.  Text manuell einfügen
2.  Generische Datei lesen (scan.txt, nmap, usw.)
3.  Flipper Zero / Marauder-Log lesen (.log)
4.  Sub-GHz-Captures analysieren (.sub)
5.  NFC-Captures analysieren (.nfc)
6.  WPA2-Handshake-Captures analysieren (.pcap)
7.  Proxmark3-Capture analysieren (Ausgabe direkt einfügen)
8.  Berichtshistorie anzeigen
9.  Exploit-Anleitungen (ohne KI-Analyse)
10. Live-WiFi-Capture - Atheros AR9271 (nur Raspberry Pi)
11. Intelligente Wortliste mit KI generieren (SSID-basiert)

Intelligente Wortlistengenerierung mit KI

• Erzeugt personalisierte Wörterbücher mit lokaler KI (Ollama) basierend auf der Ziel-SSID.
• Eingabe: SSID + optionaler Kontext (Land, ISP, Jahr, usw.).
• Ausgabe: wordlist_<SSID>_<timestamp>.txt im aktuellen Arbeitsverzeichnis.
• Muster: SSID-Varianten, Jahre 2020-2025, argentinischer Kontext (Fußball, Daten, ISPs), Symbole wie !@#.
• Gibt einen gebrauchsfertigen Befehl aus: hashcat -m 22000 captura.hc22000 wordlist_<SSID>_<timestamp>.txt

Roadmap

Anforderungen

Windows-PC (Primärknoten — für volle Funktionalität erforderlich):

• Python 3.11+
• Ollama mit mistral:7b-instruct (empfohlen) oder deepseek-r1:7b
• Mindestens 8 GB RAM · 16 GB+ empfohlen
• pip install -r requirements.txt

Raspberry Pi 4 (Sekundärknoten — optional):

• Kali Linux
• Python 3.11+
• Ollama nur mit phi3:mini (schwerere Modelle nicht unterstützt)
• 8 GB RAM-Modell empfohlen · 2 GB Swap erforderlich
• Atheros AR9271-Adapter für Live-Capture (Option 10)

Haftungsausschluss

Dieses Projekt ist ausschließlich für autorisierte Laborumgebungen bestimmt. Die Verwendung dieser Tools gegen Netzwerke oder Geräte ohne ausdrückliche schriftliche Genehmigung ist illegal und unethisch.

KI-generierte Analysen ersetzen keine professionelle Sicherheitsbewertung. Alle Ergebnisse müssen manuell überprüft werden.

Autor: Otto | Community: AI Tinkerers | Repo: https://github.com/OttoyRocky/phantom-brain

Für die spanische Version siehe README.es.md