Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
agentic-pcap — Código de benchmark y resultados interactivos para la detección autónoma de ataques de red mediante agentes LLM que usan herramientas e investigan PCAPs sin procesar. | Kitploit
Herramientas/GitHubGitHub/maureille/agentic-pcap
Sniffing y Análisis de PaquetesSeguridad de RedesAprendizaje AutomáticoDetección de IntrusionesPapers e InvestigaciónAprendizaje y EducaciónSeguridad de IADetección de Anomalías
GitHubmaureille/agentic-pcap

agentic-pcap

Código de benchmark y resultados interactivos para la detección autónoma de ataques de red mediante agentes LLM que usan herramientas e investigan PCAPs sin procesar.

310hace 3 mesesAún no revisado
Ver RepositorioSitio web
Compartir

LLMs agénticos para la detección de ataques de red

¿Puede un agente LLM que utiliza herramientas investigar de forma independiente una captura de red sin procesar e identificar un ataque?

¿Qué consultas de análisis de paquetes elegirá, y puede seguir siendo eficaz cuando el mismo tráfico está rodeado por mucha más actividad de fondo?

Este proyecto evalúa si un LLM que utiliza herramientas puede identificar un ataque directamente a partir de una captura de paquetes sin procesar y cómo cambia su investigación bajo un tráfico de fondo benigno más intenso. Cada investigación comienza con una ruta de PCAP y descripciones genéricas de 11 posibles ataques. El modelo no recibe características de paquetes precalculadas ni un resumen del tráfico.

El benchmark de un vistazo

flowchart TB
    low["Low background<br/>11 attack captures + 11 benign captures"] --> matrix
    high["Generated high background<br/>11 attack captures + 11 benign captures"] --> matrix
    prompts["6 prompt variants<br/>generic labels and observable descriptions"] --> matrix
    configurations["18 model/reasoning configurations"] --> matrix

    matrix["44 PCAPs × 6 prompts × 18 configurations<br/>4,752 completed investigations"]
    matrix -->|"PCAP path; no precomputed features"| agent["Tool-using OpenCode agent"]

    agent -->|"selects a query"| tools["Packet-analysis and shell tools"]
    tools -->|"returns observations"| agent

    agent --> decision["One capture-level decision"]
    agent --> trace["Complete investigation trajectory"]
    decision --> results["Scoring and aggregate results"]
    trace --> dashboard["Session dashboard"]

Datos y resultados

RecursoContenido
Página del conjunto de datos y artefactos en Hugging FacePublicación canónica con los 44 PCAP, las 4.752 trayectorias de investigación, las variantes de prompts, las configuraciones de modelos, los resultados agregados, la información de licencia y los metadatos de citación
Portal de resultados interactivoTablas de resultados, siete figuras del estudio, comparaciones de modelos y el panel de sesiones completo

Este repositorio contiene la implementación con licencia MIT y el flujo de trabajo de reproducción. El manuscrito adjunto de Matthieu Aureille y Jan Fesl ha sido enviado para revisión por pares; se añadirá un enlace público cuando esté disponible.

Cobertura del conjunto de datos

Condición de tráficoComposición de la captura
Fondo bajoTráfico del escenario y actividad normal en reposo del banco de pruebas, sin tráfico de fondo generado
Fondo alto generadoEl mismo tipo de escenario combinado con una cantidad sustancialmente mayor de tráfico benigno generado automáticamente

Cada condición contiene 11 capturas de ataque y 11 capturas benignas. Cada captura tiene una única salida esperada fija.

Clases de ataque

La tabla ofrece una interpretación orientada al lector de las etiquetas genéricas del benchmark. Los nombres subyacentes de los ataques, los nombres de los escaneos y los nombres de las herramientas no se mostraron al LLM. Los prompts utilizaron únicamente Attack 1 a Attack 11 y describieron las características observables del tráfico.

En los archivos de prompts generados, «ataques anonimizados» significa que los nombres de los ataques se sustituyeron por etiquetas genéricas; los datos de paquetes en sí no se anonimizaron.

Etiqueta del benchmarkClase subyacente indicativa (no mostrada al LLM)
Attack 1Inundación TCP ACK mediante fragmentación IP
Attack 2Suplantación ARP
Attack 3Inundación DNS
Attack 4Escaneo FIN
Attack 5Inundación por fragmentación ICMP
Attack 6Escaneo NULL
Attack 7Escaneo de puertos TCP SYN (nmap -sS)
Attack 8Slowloris
Attack 9Inundación por fragmentación UDP
Attack 10Escaneo UDP
Attack 11Escaneo Xmas

Guía del repositorio

ObjetivoEmpiece aquí
Reproducir el benchmarkRUNBOOK.md
Comprender la implementaciónscripts/README.md
Inspeccionar la configuración del benchmark y las variantes de promptsconfig/ y prompts/
Revisar los metadatos de modelos, software, banco de pruebas y analizadoresreproducibility/ y vllm_parsers/
Explorar las figuras y los paneles generadosdocs/

Flujo de implementación

flowchart LR
    entry["scripts/*.py<br/>command-line entry points"] --> benchmark["benchmark/<br/>execute · schedule · resume"]
    entry --> reporting["reporting/<br/>score · aggregate · publish"]
    entry --> orchestration["orchestration/<br/>optional remote model lifecycle"]

    sources["config/ · prompts/ · PCAP workspaces"] --> benchmark
    orchestration --> benchmark
    benchmark --> artifacts["Retained run artifacts"]
    artifacts --> reporting
    reporting --> outputs["CSVs · figures · dashboards"]

Las utilidades compartidas de rutas, espacio de trabajo, OpenCode, renderizado y resultados se encuentran directamente bajo scripts/agentic_pcap/. El mapa completo de módulos internos está documentado en scripts/README.md.

Reproducir el benchmark

La implementación en Python utiliza únicamente la biblioteca estándar. Las investigaciones en vivo también requieren OpenCode, TShark, tcpdump, herramientas Unix comunes, los espacios de trabajo de PCAP y un proveedor de modelos configurado.

[!WARNING] El agente ejecuta comandos de shell sin restricciones. Ejecútelo únicamente en un contenedor aislado o en una máquina virtual desechable.

Siga la guía de ejecución en máquina limpia para la configuración en Debian/Ubuntu, la configuración de vLLM específica para el hardware, la ejecución, la recuperación y la generación del panel de control. Los comandos de lanzamiento históricos documentan el entorno del estudio; config/benchmark_orchestrator.local.json es la plantilla para una nueva máquina.

No se aplicó ningún muestreo ni anulación de semilla. Los metadatos exactos de ejecución se conservan en reproducibility/, y las sesiones y paneles de control preconstruidos están disponibles en la versión canónica de Hugging Face.

Citación

Si utiliza este benchmark, cite el conjunto de datos de Hugging Face y haga referencia a este repositorio de código de GitHub.

Citación sugerida del conjunto de datos

M. Aureille and J. Fesl, “Agentic LLMs for Network Attack Detection,” version 1.0.0, Hugging Face dataset, 2026. [Online]. Available: https://huggingface.co/datasets/maureille/agentic-pcap

BibTeX

@misc{aureille2026agentic,
  author       = {Matthieu Aureille and Jan Fesl},
  title        = {Agentic LLMs for Network Attack Detection},
  year         = {2026},
  howpublished = {Hugging Face dataset},
  note         = {Version 1.0.0},
  url          = {https://huggingface.co/datasets/maureille/agentic-pcap}
}

Los metadatos de citación de software legibles por máquina para este repositorio están disponibles en CITATION.cff.

Licencia

Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    806
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    523
  • 3

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    441
  • 4

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingiere informes de Shadowserver en MongoDB y los reproduce como mapas interactivos, análisis, hallazgos, avisos y paneles ejecutivos.

    270
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    264

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →