Offline KI-Sicherheitsassistent für Air-Gapped Pentesting
Offline KI-Assistent für Penetrationstests. Fügen Sie Ihre Tool-Ausgaben ein, stellen Sie Fragen in normalem Englisch und erhalten Sie Antworten, die auf Ihren tatsächlichen Daten basieren. Keine Internetverbindung, keine API-Schlüssel, nichts verlässt die Maschine.
Läuft vollständig auf der CPU. Getestet auf Standard-Laptop-Hardware.
Getestet auf: AMD Ryzen AI 9 365, 24 GB RAM. Abfragezeit 2-5 Sekunden auf dieser Hardware. Auf 16 GB funktioniert es, aber schließen Sie zuerst alles andere.
git clone https://github.com/Sydsec/syd
cd syd
python setup.py
python syd.py
Das Setup lädt das Modell (~9,7 GB) und das Embedding-Modell (~90 MB) automatisch herunter. Kein HuggingFace-Konto erforderlich. Dauer 20-30 Minuten, je nach Verbindung. Sobald es abgeschlossen ist, läuft alles vollständig offline.
Wenn Sie Fehler bei der Installation von llama-cpp-python erhalten, führen Sie dies manuell vor setup.py aus:
pip install llama-cpp-python==0.3.16 --force-reinstall --no-cache-dir --config-settings="cmake.args=-DGGML_AVX2=OFF;-DGGML_AVX=OFF;-DGGML_F16C=OFF;-DGGML_FMA=OFF"
Dies ist ein bekanntes Kompatibilitätsproblem bei einigen Windows-Setups. Die cmake-Flags deaktivieren AVX2, was bei bestimmten CPUs zu Abstürzen führt.
Drei Schritte. Zuerst wird Ihre Scandatei deterministisch geparst – keine KI, reine Regex und strukturiertes Parsen, sodass die Datenextraktion immer genau ist. Zweitens werden relevante Technikdokumentationen aus lokalen FAISS-Indizes abgerufen. Drittens generiert Qwen 2.5 14B eine Antwort, die nur diese verifizierten Fakten verwendet.
Die Antwort wird dann mit den tatsächlichen Daten aus Ihrem Scan abgeglichen. Wenn das Modell eine IP, einen Prozess oder einen Hostnamen referenziert, der nicht in Ihren Daten war, wird die Antwort blockiert und neu generiert. Das verhindert Halluzinationen.
Laden Sie eine Datei oder fügen Sie die Ausgabe in den entsprechenden Tab ein. Klicken Sie auf Analysieren. Nach Abschluss der Analyse geben Sie Fragen in das Feld "Ask Syd" ein.
Beispiele, die gut funktionieren:
Nmap: "Welche Hosts haben SMB-Signierung deaktiviert?" / "Zeige mir alle Dienste auf nicht standardmäßigen Ports" / "Was ist die Angriffsfläche auf 10.0.0.15?"
BloodHound: "Was ist der kürzeste Weg zum Domain-Admin?" / "Welche Benutzer sind Kerberoastable?" / "Zeige mir alle Computer mit ungebundener Delegation"
Volatility: "Was ist der verdächtigste Prozess?" / "Gibt es injizierte Prozesse?" / "Liste alle externen Netzwerkverbindungen auf"
"Modell nicht gefunden" — setup.py wurde nicht abgeschlossen. Überprüfen Sie, ob das Modell unter rag_engine/models/qwen2.5-14b-instruct-q5_k_m.gguf existiert und etwa 9,7 GB groß ist. Wenn es kleiner ist, wurde der Download unterbrochen. Löschen Sie es und führen Sie setup.py erneut aus.
Speichermangel — Schließen Sie Ihren Browser und alles andere, das RAM verbraucht. 16 GB sind knapp, 24 GB sind komfortabel.
Erster Start langsam — Erwartet. Das Laden des Modells dauert 10-20 Sekunden. Danach dauern Abfragen 2-5 Sekunden.
FAISS-Fehler — Die Indizes werden mit dem Repository ausgeliefert. Wenn sie fehlen oder beschädigt sind, führen Sie python build_all_databases.py aus.
Enterprise erweitert die Analyse um Metasploit und Sliver C2 auf Basis aller Funktionen dieses Repos.
Wenn Sie Red-Team-Einsätze durchführen, kennen Sie das Problem – Sie können Sitzungsausgaben nicht in ChatGPT einfügen, da NDAs und Kundendaten dies verbieten. Enterprise bietet Ihnen die gleiche KI-Analyse, vollständig offline, für Ihre MSF-Sitzungen und Sliver-Beacons. Fragen Sie, was passiert ist, wohin als nächstes pivotiert werden soll, was die Anmeldeinformationen im Kontext bedeuten.
Kontakt: [email protected] oder https://sydsec.co.uk
Tutorials und Walkthroughs auf YouTube: https://www.youtube.com/@paularmstrong8306
Es lohnt sich, diese vor dem Einstieg anzusehen – sie zeigen den tatsächlichen Workflow mit echten Pentest-Daten.
Qwen 2.5 14B Instruct, Q5_K_M-Quantisierung. Temperatur 0,05-0,1, um Antworten präzise zu halten. Wiederholungsstrafe 2,8-3,2. Kontextfenster 8192 Token.
Embeddings: all-MiniLM-L6-v2. Vektorspeicher: FAISS (IndexFlatIP, Kosinusähnlichkeit).
Paul Armstrong — https://sydsec.co.uk — YouTube: https://www.youtube.com/@paularmstrong8306