Voraussetzungen

• Docker 24+ und Docker Compose v2
• Mindestens 16 GB RAM (Ollama lädt Modelle in den Arbeitsspeicher; 8 GB reichen nur für kleine Modelle)
• 20 GB freier Speicherplatz für Basis-Images und mindestens ein Modell
• x86-64-CPU; Apple Silicon und ARM64 werden unterstützt, sind aber ungetestet

GPU ist optional. Ollama läuft auf der CPU, aber ohne GPU ist die Inferenz langsam.

Schnellstart

git clone https://github.com/sonuoffsec/DVAP
cd DVAP
cp .env.example .env
docker compose up -d

Öffne http://localhost:8080, sobald alle Container gesund sind. Der erste Start dauert 30-60 Sekunden.

Inhaltsverzeichnis

• Voraussetzungen
• Schnellstart
• Was ist DVAP?
• Warum DVAP?
• Wie sich DVAP unterscheidet
• Hauptfunktionen
• Plattformübersicht
• Demo
• Screenshots
• Labore
• OWASP-LLM-Top-10-Abdeckung
• Architektur
• Sicherheitsarchitektur
• Dienste
• Umgebungsvariablen
• Aktualisierung
• Entwicklung vs. Produktion
• Tests ausführen
• Roadmap
• Governance
• Mitwirken
• Lizenz

Was ist DVAP?

DVAP ist eine Open-Source-Plattform für KI-Sicherheitsforschung, -training, Benchmarking und Red Teaming, die Sicherheitsexperten, KI-Ingenieuren, Forschern, Studierenden und Organisationen helfen soll zu verstehen, wie moderne KI-Systeme versagen und wie man sie verteidigt.

Entwickelt für das KI-Zeitalter, stellt DVAP absichtlich verwundbare KI-Anwendungen, Agenten, RAG-Systeme, MCP-Integrationen und domänenspezifische Umgebungen bereit, die angegriffen, analysiert, gebenchmarkt und abgesichert werden können.

Im Gegensatz zu cloudbasierten KI-Spielplätzen läuft DVAP vollständig auf deinem Rechner.

Keine Cloud. Keine Abonnements. Keine API-Kosten. Kein Vendor Lock-in.

Warum DVAP?

Moderne KI-Anwendungen bringen völlig neue Angriffsflächen mit sich:

• Prompt Injection
• Memory Poisoning
• RAG Poisoning
• Tool Abuse
• MCP Exploitation
• Multi-Agent Attacks
• Autonomous Agent Manipulation
• Data Exfiltration
• Identity and Trust Failures
• AI Supply Chain Risks

Dennoch gibt es keine einzige Plattform, die es Forschern ermöglicht, diese Angriffe an einem Ort sicher zu erlernen, zu üben, zu benchmarken und zu validieren.

DVAP möchte die maßgebliche Open-Source-Plattform für KI-Sicherheitsausbildung, Forschung und Experimente werden.

Wie sich DVAP unterscheidet

DVAP ist eine der ersten Plattformen, die praktische KI-Angriffslabore, lokales LLM-Benchmarking, CTF-Challenges und professionelle Berichterstattung in einer einzigen selbst gehosteten Umgebung vereint.

Hauptfunktionen

KI-Sicherheitslabore 15 absichtlich verwundbare Labore, die reale KI-Angriffstechniken abdecken.

Forschungsumgebung Untersuche Prompts, Speicher (Memory), Tool-Aufrufe, abgerufene Dokumente, Agentenaktionen und Angriffsketten.

Sicherheits-Benchmarking Bewerte lokale und externe Modelle anhand von KI-Sicherheits-Angriffssuiten.

Capture The Flag (CTF) Lerne KI-Sicherheit durch geführte Challenges, Flags, Hinweise und Walkthroughs.

Berichts-Engine Erstelle professionelle Findings- und Benchmark-Berichte, die auf OWASP LLM Top 10, MITRE ATLAS, CWE und CVSS abgebildet sind.

100 % lokal Lasse alles auf deinem eigenen Rechner laufen. Deine Prompts, Daten, Findings und Experimente verlassen niemals deine Umgebung.

Plattformübersicht

🎬 Demo

📸 Screenshots

🖥️ Forschungs-Kommandozentrale

_{Forschungs-Kommandozentrale  ·  Live-Plattformaktivität, Modell-Benchmark-Rangliste, Flag-Capture-Fortschritt und Dienststatus in einer einzigen operativen Ansicht.}

🧩 Plattformmodule

🛡️ Findings-Dashboard

_{Findings-Dashboard  ·  Verfolge, triagiere und dokumentiere Sicherheits-Findings mit Schweregraden, OWASP-LLM-Top-10-Zuordnung, MITRE-ATLAS-Techniken und exportbereiten Berichten.}

Labore

15 containerisierte Labore, jeweils mit Flags, Hinweisen, Walkthrough und der Zuordnung zu OWASP LLM Top 10 + MITRE ATLAS.

Jedes Labor läuft in einem isolierten Docker-Container mit einem eigenen, auf Ollama basierenden LLM-Endpunkt.

OWASP-LLM-Top-10-Abdeckung

DVAP ist an den OWASP Top 10 for Large Language Model Applications ausgerichtet. Jede Kategorie ist einem oder mehreren dedizierten Laboren zugeordnet.

8 von 10 Kategorien sind über 15 Labore abgedeckt. LLM04 und LLM10 stehen auf der v1.2-Roadmap.

Architektur

graph TB
    User([User Browser]) --> Nginx[Nginx :8080]
    Nginx --> Web[Next.js Frontend :3000]
    Nginx --> API[FastAPI Backend :8000]

    API --> PG[(PostgreSQL)]
    API --> Redis[(Redis)]
    API --> Qdrant[(Qdrant)]
    API --> Sock[Docker Socket]

    Sock --> L1[Lab Container]
    Sock --> L2[Lab Container]
    Sock --> LN[Lab Container ...]

    L1 --> Ollama[Ollama :11434]
    L2 --> Ollama
    LN --> Ollama

    subgraph dvap-internal network
        Web
        API
        PG
        Redis
        Qdrant
    end

    subgraph dvap-labs network
        L1
        L2
        LN
        Ollama
    end

Lab-Container sind in einem separaten Docker-Netzwerk isoliert. Sie können Ollama für die LLM-Inferenz erreichen, nicht jedoch die Datenbank, Redis oder Qdrant.

Sicherheitsarchitektur

Netzwerkisolation

Zwei Docker-Netzwerke halten den Lab-Traffic von der Plattform-Infrastruktur getrennt:

• dvap-internal (172.20.0.0/24) - PostgreSQL, Redis, Qdrant, API, Frontend, Nginx
• dvap-labs (172.21.0.0/24) - Lab-Container und Ollama

Lab-Container können Ollama erreichen und sonst nichts im internen Netzwerk. Sie können PostgreSQL, Redis oder Qdrant nicht erreichen.

Docker-Socket-Zugriff

Bekannter Kompromiss: Der API-Container mountet /var/run/docker.sock, um Lab-Container bei Bedarf zu starten und zu stoppen (Docker-out-of-Docker). Dadurch erhält der API-Prozess root-äquivalenten Zugriff auf den Docker-Daemon des Hosts.

Dies ist eine bewusste Designentscheidung. DVAP ist eine lokale Einzelnutzer-Installation für Sicherheitsforschung und -training, kein mandantenfähiger Dienst. Der Kompromiss wird akzeptiert, weil:

• Es gibt keine netzwerkerreichbare Admin-Oberfläche, die beliebige Container-Operationen auslösen könnte
• Die Ressourcenlimits der Lab-Container (512 MB RAM, 0,5 CPU) verhindern Ressourcenerschöpfung
• Lab-Images werden aus kontrollierten Dockerfiles in diesem Repository erstellt

Wenn du DVAP in einer gemeinsamen oder vernetzten Umgebung bereitstellst, ersetze den Socket-Mount durch einen rootless Docker-Socket oder Podman-Socket (/run/user/1000/podman/podman.sock) und schränke den Netzwerkzugriff der API entsprechend ein.

Instanz-TTL

Lab-Instanzen stoppen automatisch nach 1 Stunde über Redis-TTL-Keys. Rufe POST /api/v1/instances/cleanup auf, um eine vorzeitige Bereinigung auszulösen.

Ratenbegrenzung

Flag-Einreichungen sind auf 15 Versuche pro 60-Sekunden-Fenster und Session-Token begrenzt.

Dienste

Umgebungsvariablen

Alle Variablen findest du in .env.example. Die wichtigsten, die du vor jeder netzwerkbasierten Bereitstellung ändern solltest:

SECRET_KEY=          # strong random value for HMAC signing
POSTGRES_PASSWORD=   # change from the default
REDIS_PASSWORD=      # change from the default

Aktualisierung

Ein einziger Befehl aktualisiert deine Installation:

make upgrade

Dies führt git pull aus und erstellt dann alle Container neu und startet sie. Datenbank-Migrationen laufen bei jedem Start des API-Containers automatisch.

Ohne make:

git pull
docker compose up -d --build

Was automatisch aktualisiert wird

• Backend-Code und API-Endpunkte
• Frontend-Dashboard
• Datenbankschema (Alembic-Migrationen)
• Lab-Definitionen

Was niemals angefasst wird

• Deine Daten (Findings, Forschungs-Sessions, Benchmark-Ergebnisse, Kampagnen)
• Deine .env-Datei

Auf neue Umgebungsvariablen prüfen

diff .env .env.example

Entwicklung vs. Produktion

# Development (default) - auto-loads docker-compose.override.yml
# Hot reload for API and frontend, source mounted as volumes
docker compose up -d

# Production - baked images, no volume mounts, 4 uvicorn workers
docker compose -f docker-compose.yml up -d

Erstelle die Images vor dem Produktionsstart:

docker build -t dvap-api:latest --target production ./backend
docker build -t dvap-web:latest --target production ./frontend

Tests ausführen

Für die Tests wird eine PostgreSQL-Instanz benötigt. Starte zuerst den Stack:

docker compose up -d postgres
export TEST_DATABASE_URL=postgresql+asyncpg://dvap:<your-postgres-password>@localhost:5432/dvap_test
cd backend
pip install -e ".[dev]"
pytest

Roadmap

v1.1 - Erweiterte Lab-Abdeckung

• LangChain-Agenten-Sicherheitslabor
• CrewAI-Multi-Agenten-Sicherheitslabor
• LlamaIndex-RAG-Sicherheitslabor
• Autonomes Agentenlabor im AutoGPT-Stil

v1.2 - Erweitertes Benchmarking

• Unterstützung für OpenAI- und Anthropic-API-Modelle
• Builder für benutzerdefinierte Benchmark-Suiten
• Benchmark-Vergleichsberichte über Modellversionen hinweg
• Automatisierte Regressionstests für Modellsicherheit

v1.3 - Plattformverbesserungen

• Mehrbenutzerunterstützung mit Session-Isolation
• VS-Code-Erweiterung für die Forschungsumgebung
• GitHub-Actions-Integration für CI/CD-Sicherheitstests
• System für die Schwierigkeitsprogression der Labore

v2.0 - KI-Red-Team-Automatisierung

• Automatisierte Generierung von Angriffsketten
• KI-gestützte Schwachstellenerkennung
• Vorlagen für Red-Team-Kampagnen
• Integration mit gängigen Sicherheitstools (Burp Suite, Metasploit)

Du möchtest zur Roadmap beitragen? Eröffne ein Issue oder starte eine Diskussion.

Governance

DVAP wird von Sonu Chaudhary entwickelt und gepflegt.

Community-Beiträge sind willkommen und unterliegen den Contributing-Richtlinien. Die langfristige Ausrichtung wird über GitHub Issues und Discussions gesteuert. Lab-Erweiterungen, Feature-Vorschläge und Roadmap-Beiträge werden öffentlich geprüft.

Es besteht kein Risiko eines Single Point of Failure: Das Repository ist unter Apache 2.0 Open Source und kann von der Community jederzeit geforkt werden.

Mitwirken

In CONTRIBUTING.md erfährst du, wie du Labore hinzufügst, Tests ausführst und Pull Requests einreichst.

Lizenz

Apache 2.0 - siehe LICENSE für den vollständigen Text.