AttackGen es una herramienta de pruebas de respuesta a incidentes de ciberseguridad que aprovecha el poder de los grandes modelos de lenguaje y el completo marco MITRE ATT&CK. La herramienta genera escenarios de respuesta a incidentes personalizados basados en grupos de actores de amenaza seleccionados por el usuario y los detalles de su organización.
AttackGen es una herramienta de prueba de respuesta a incidentes de ciberseguridad que aprovecha el poder de los grandes modelos de lenguaje y los completos marcos MITRE ATT&CK y ATLAS. La herramienta genera escenarios de respuesta a incidentes personalizados basados en grupos de actores de amenaza seleccionados por el usuario, estudios de caso de ataques de IA y los detalles de tu organización.
Si AttackGen te resulta útil, considera la posibilidad de darle una estrella al repositorio en GitHub. Esto ayuda a que más personas descubran la herramienta. ¡Tu apoyo es muy apreciado! ⭐
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|---|
| Integración con la API de Groq | - Rendimiento mejorado: AttackGen ahora es compatible con la API de alto rendimiento de Groq, proporcionando acceso a modelos como llama-3.3-70b-versatile y deepseek-r1-distill-llama-70b. Esta integración ofrece tiempos de inferencia rápidos manteniendo una generación de escenarios de alta calidad.- Visualización mejorada de la salida del modelo: Para modelos como DeepSeek que proporcionan razonamiento junto a su salida, AttackGen ahora muestra este razonamiento en un widget expandible. Esto permite a los usuarios ver el proceso de pensamiento del modelo cuando lo deseen, manteniendo la salida principal del escenario limpia y centrada. |
streamlit, litellm, mitreattack-python, pandas (consulta requirements.txt para obtener la lista completa)../data/), por lo que no se requiere descarga manual (consulta Configuración de datos)..env para almacenar claves de API y secretos (consulta la sección Instalación para obtener más detalles).2. Cambia al directorio del repositorio clonado:```
cd attackgen
### Opción 2: Usando Docker
1. Descargue la imagen del contenedor Docker desde Docker Hub:```
docker pull mrwadams/attackgen
Si deseas usar LangSmith para depurar, probar y supervisar el rendimiento de los modelos, deberás configurar una cuenta de LangSmith y crear un archivo .streamlit/secrets.toml que contenga tu clave de API de LangChain. Sigue las instrucciones aquí para configurar tu cuenta y obtener tu clave de API. Encontrarás un archivo secrets.toml-example en el directorio .streamlit/ que puedes usar como plantilla para tu propio archivo secrets.toml.
Si no deseas usar LangSmith, aun así debes tener un archivo .streamlit/secrets.toml en su lugar, pero puedes dejar el campo LANGCHAIN_API_KEY vacío.
Los conjuntos de datos MITRE ATT&CK (Enterprise + ICS) y ATLAS que AttackGen necesita están incluidos en el repositorio en ./data/, por lo que un clon reciente está listo para ejecutarse sin ningún paso adicional de descarga. Estos incluyen enterprise-attack.json, ics-attack.json, stix-atlas.json, groups.json, groups_ics.json y atlas-case-studies.json.
Si deseas actualizarlos a la última versión upstream, puedes volver a descargar los paquetes STIX desde el repositorio de datos STIX de MITRE ATT&CK (y el repositorio de datos de ATLAS) y reemplazar los archivos en ./data/.
Después de la configuración de datos, puedes ejecutar AttackGen con el siguiente comando:``` streamlit run 00_👋_Welcome.py
También puedes probar la aplicación en [Streamlit Community Cloud](https://attackgen.streamlit.app/).
## Servidor MCP
AttackGen incluye un servidor [MCP](https://modelcontextprotocol.io/) para que los flujos de trabajo agénticos (Claude Code, Claude Desktop, Cursor y otros clientes MCP) puedan impulsar la generación de escenarios sin la interfaz de Streamlit. Expone **dos niveles de herramientas**:
- **Herramientas de datos — sin clave de API, sin llamada a LLM.** Estas exponen los datos MITRE de AttackGen: listan grupos de amenazas / estudios de caso de ATLAS, resuelven la kill chain de un grupo, generan el informe púrpura de Detección y Respuesta, producen una capa de ATT&CK Navigator y enumeran las opciones de amenazas internas de IA. `list_ai_insider_options` devuelve cada plantilla de inicio rápido con las selecciones y el resumen narrativo que aplica, de modo que `get_ai_insider_prompt` / `generate_ai_insider_scenario` se pueden llamar solo con `template=` más tu sector y el tamaño de tu empresa. Cuando resulta útil, también devuelven un prompt listo para ejecutar, de modo que **el modelo propio de tu cliente** pueda redactar el escenario, lo que significa que funcionan incluso si no tienes una clave de API de proveedor separada. Esta es la superficie que es segura de alojar a través de HTTP.
- **Herramientas de generación — trae tu propia clave.** `generate_threat_group_scenario`, `generate_custom_scenario` y `generate_ai_insider_scenario` invocan un LLM en el servidor y devuelven un escenario Markdown terminado. El proveedor, el modelo y la clave se proporcionan en cada llamada; si omites `api_key`, LiteLLM recurre a la variable de entorno correspondiente (`OPENAI_API_KEY`, `ANTHROPIC_API_KEY`, …) — es decir, **tu propia** clave. Debido a que estas leen las credenciales del entorno del proceso, mantenlas en **stdio local** y no las expongas en un host compartido.
### Instalación y ejecución
La dependencia `mcp` está incluida en `requirements.txt`. Instala el proyecto (una instalación editable también te proporciona el script de consola `attackgen-mcp`):```
pip install -r requirements.txt
# optional, for the console script:
pip install -e .
Lanza el servidor (stdio):``` python -m mcp_server # or: attackgen-mcp
### Añádelo a un cliente
**Claude Code:**```
claude mcp add attackgen -- python -m mcp_server
Claude Desktop (claude_desktop_config.json) — las claves van en 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-..."
}
}
}
}
Puedes establecer `ATTACKGEN_PROVIDER` y `ATTACKGEN_MODEL` en `env` para dar a las herramientas de generación un proveedor/modelo predeterminado, de modo que quienes las invocan no tengan que pasarlos cada vez. Los paquetes pesados de MITRE se cargan de forma diferida en la primera llamada a la herramienta de datos, por lo que el servidor se inicia al instante.
## Habilidades del Agente
Junto con el servidor MCP se incluye una **[habilidad de agente](https://github.com/mrwadams/attackgen/blob/HEAD/skills/)**, `attackgen-tabletop`, que convierte los datos de AttackGen en un ejercicio de mesa de respuesta a incidentes listo para facilitadores.
Dado un grupo de amenaza o un caso de estudio de ATLAS, la habilidad produce un ejercicio de mesa completo / Lista Maestra de Eventos de Escenario (MSEL) — narrativa del escenario, kill chain mapeada por fases, inyecciones con marca de tiempo, preguntas de discusión de NIST SP 800-61 y un cuadro de mando de cobertura de detección — como Markdown o un informe HTML autocontenido y apto para impresión.
También cubre la ruta de **amenaza interna por IA**: cuando el adversario es un agente de IA de frontera desplegado dentro de la organización, la habilidad trabaja a partir de `list_ai_insider_options` y `get_ai_insider_prompt` en lugar de una kill chain. El ejercicio mantiene la misma estructura de seis secciones, pero su columna vertebral es el alcance de amenazas STRIDE y el arquetipo de despliegue, su cuadro de mando de detección se evalúa frente a la postura de detección de ese arquetipo, y las `required_decisions` de una plantilla se convierten en preguntas de discusión obligatorias.
La división del trabajo es deliberada: las **herramientas de datos** del MCP aportan los hechos (cada técnica o ID de STRIDE se remonta a un resultado de herramienta) y la habilidad aporta el diseño del ejercicio, por lo que se ejecuta en el modelo propio del cliente **sin necesidad de una clave API adicional**. Conecta el servidor MCP (más arriba) y luego apunta un cliente compatible con habilidades, como Claude Code o Claude Desktop, al directorio [`skills/`](https://github.com/mrwadams/attackgen/blob/HEAD/skills/). Consulta [`skills/README.md`](https://github.com/mrwadams/attackgen/blob/HEAD/skills/README.md) para conocer las ubicaciones de instalación y los detalles por cliente.
## Uso
### Ejecutar AttackGen
#### Opción 1: Ejecutar la aplicación Streamlit localmente
1. Ejecuta la aplicación Streamlit:```
streamlit run 00_👋_Welcome.py
Este comando iniciará el contenedor y asignará el puerto 8501 (el predeterminado para aplicaciones Streamlit) del contenedor a tu máquina host.
2. Abre tu navegador web y navega a `http://localhost:8501`.
3. Usa la aplicación para generar escenarios de respuesta a incidentes estándar o personalizados (consulta los detalles a continuación).
### Generación de Escenarios
#### Generación de Escenarios Estándar
1. Elige si quieres usar la API de OpenAI, la API de Anthropic, la API de Google AI, la API de Mistral, la API de Groq o un endpoint personalizado compatible con OpenAI (para Ollama, LM Studio, implementaciones de Azure OpenAI, OpenRouter, etc.).
2. Introduce tu clave de API para el proveedor elegido. Para el proveedor personalizado (Custom), introduce también la URL base y el nombre del modelo.
3. Selecciona tu modelo preferido en el menú desplegable.
4. Selecciona el sector y el tamaño de tu organización en los menús desplegables.
5. Navega a la página `Threat Group Scenarios`.
6. Selecciona el grupo de actores de amenaza que quieres simular.
7. Haz clic en 'Generate Scenario' para crear el escenario de respuesta a incidentes.
8. Usa los botones 👍 o 👎 para enviar comentarios sobre la calidad del escenario generado. Nota: los botones de comentarios solo aparecen si se ha establecido un valor para LANGCHAIN_API_KEY en el archivo `.streamlit/secrets.toml`.
#### Generación de Escenarios Personalizados
1. Elige si quieres usar la API de OpenAI, la API de Anthropic, la API de Google AI, la API de Mistral, la API de Groq o un endpoint personalizado compatible con OpenAI.
2. Introduce tu clave de API para el proveedor elegido. Para el proveedor personalizado (Custom), introduce también la URL base y el nombre del modelo.
3. Selecciona tu modelo preferido en el menú desplegable.
4. Selecciona el sector y el tamaño de tu organización en los menús desplegables.
5. Navega a la página `Custom Scenario`.
6. Usa el cuadro de selección múltiple para buscar y seleccionar las técnicas ATT&CK relevantes para tu escenario.
7. Haz clic en 'Generate Scenario' para crear tu escenario personalizado de pruebas de respuesta a incidentes basado en las técnicas seleccionadas.
8. Usa los botones 👍 o 👎 para enviar comentarios sobre la calidad del escenario generado. Nota: los botones de comentarios solo aparecen si se ha establecido un valor para LANGCHAIN_API_KEY en el archivo `.streamlit/secrets.toml`.
#### Generación de Escenarios de Amenazas Internas de IA
1. Elige tu proveedor de modelos e introduce la clave de API correspondiente (usa el proveedor Custom para implementaciones de Azure OpenAI o modelos locales).
2. Selecciona tu modelo preferido en el menú desplegable.
3. Selecciona el sector y el tamaño de tu organización en los menús desplegables.
4. Navega a la página `AI Insider Threat Scenarios`.
5. (Opcional) Elige una plantilla para rellenar previamente el arquetipo de implementación, las categorías de amenaza y las amenazas STRIDE para un escenario común.
6. Elige el **arquetipo de implementación** que refleje con qué autonomía opera el agente de IA dentro de tu organización (p. ej., asistente supervisado, agente autónomo, flota totalmente autónoma). Este es el factor principal de la superficie de amenaza del agente.
7. Selecciona una o más **categorías de amenaza** (Compromiso de credenciales, Sabotaje de la cadena de suministro, Exfiltración de datos, Sabotaje de infraestructura, Engaño y evasión).
8. (Opcional) Acota el escenario a amenazas **STRIDE** específicas. Si se deja vacío, se usan automáticamente las amenazas STRIDE asociadas con las categorías seleccionadas. Estas son las 23 amenazas STRIDE del artículo subyacente.
9. (Opcional) Ajusta las **capacidades del agente de frontera** destacadas en el prompt.
10. Haz clic en 'Generate Scenario'. La salida incluye una narrativa de ataque asignada a los identificadores STRIDE, oportunidades de detección y controles recomendados alineados con el NIST CSF.
11. Usa los botones 👍 o 👎 para enviar comentarios (requiere LANGCHAIN_API_KEY).
El modelo de amenazas detrás de esta página se describe en [*Actions Speak Louder Than Tokens: An Insider Threat Model for Frontier AI Agents*](https://ai-insider-threat.matt-adams.co.uk).
Ten en cuenta que la generación de escenarios puede tardar alrededor de un minuto. Una vez generado el escenario, puedes verlo en la aplicación y también descargarlo como archivo Markdown.
## Buenas Prácticas de Seguridad
AttackGen está diseñado para una implementación local de un solo usuario. Al usar la herramienta:
### Protege tus Claves de API
**Tus claves de API son credenciales sensibles que pueden generar cargos en tu cuenta.**
✅ **HACER:**
- Introduce las claves de API a través de la interfaz (permanecen en tu sesión del navegador)
- Usa el archivo .env para mayor comodidad en tu máquina personal
- Establece límites de gasto en el panel de tu proveedor de LLM
- Revisa regularmente tu uso y costos de API
- Limpia la sesión cuando uses equipos compartidos
❌ **NO HACER:**
- No enviar archivos .env al control de versiones (ya está en .gitignore)
- No compartir capturas de pantalla con claves de API visibles
- No ejecutar AttackGen en sistemas no confiables o comprometidos
- No compartir tus claves de API con otras personas
- No ignorar cargos inesperados de API
### Consideraciones de Privacidad de Datos
Cuando generas escenarios, AttackGen envía datos a tu proveedor de LLM elegido:
- Detalles de la organización (sector, tamaño de la empresa)
- Técnicas ATT&CK seleccionadas
- Texto de entrada personalizado
- Escenarios generados (a través de AttackGen Assistant)
**Qué significa esto:**
- OpenAI, Anthropic, etc. pueden registrar estos datos según sus políticas de privacidad
- Considera usar detalles de organización genéricos o ficticios para demostraciones
- Revisa las políticas de retención de datos y privacidad de tu proveedor de LLM
- Para casos de uso sensibles, considera proveedores con garantías de privacidad más estrictas
### Para Implementaciones en Equipo/Organización
Si implementas AttackGen para múltiples usuarios (no es el caso de uso predeterminado):
- Añade autenticación/autorización (no incluida por defecto)
- Usa un servicio de gestión de secretos para las claves de API
- Implementa detrás de una VPN o red interna
- Revisa este documento de modelo de amenazas para consideraciones adicionales
- Considera los requisitos de residencia de datos y cumplimiento normativo
### Seguridad de Dependencias
Mantenemos las dependencias y monitoreamos vulnerabilidades:
- Las dependencias se actualizan regularmente
- Los avisos de seguridad se rastrean en GitHub Issues
- Ejecuta `pip list --outdated` para comprobar actualizaciones
- Considera usar `pip-audit` para el escaneo de vulnerabilidades
### Reportar Problemas de Seguridad
¿Encontraste un problema de seguridad? Por favor, repórtalo de manera responsable:
- Crea un aviso de seguridad a través del [reporte privado de vulnerabilidades](https://github.com/mrwadams/attackgen/security/advisories/new) de GitHub
- No publiques problemas de seguridad públicamente
- Te confirmaremos la recepción en un plazo de 48 horas
- Las correcciones se priorizarán y publicarán rápidamente
## Contribuciones
Estoy muy contento de aceptar contribuciones a este proyecto. No dudes en enviar un issue o pull request.
## Licencia
Este proyecto está bajo la licencia [GNU GPLv3](https://choosealicense.com/licenses/gpl-3.0/).
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Ajuste previo de escape del entorno de evaluación y semilla de escenario | - Ensayar un incidente concreto: Una nueva plantilla de amenazas internas de IA ensaya cómo un agente de evaluación alcanza sistemas reales desde un entorno que se suponía aislado — lo que obliga a la contención, la rotación de credenciales, la notificación a terceros y la preservación de evidencias. Cubre las revelaciones de julio de 2026 sobre agentes de evaluación que escaparon de sus entornos de pruebas, donde el límite de aislamiento se asumía en lugar de aplicarse. - Las plantillas ahora llegan al prompt: las plantillas de inicio rápido antes solo rellenaban previamente los widgets de la página y nunca influían en el escenario generado. Ahora incluyen un brief narrativo y las required_decisions que las preguntas de discusión deben forzar, ambos integrados en el prompt — de modo que una plantilla produce un tabletop cronometrado y utilizable en lugar de un saco de preguntas variadas. Esto las divide en dos clases: las seis plantillas originales de arquetipo solo establecen decisiones, por lo que el modelo inventa la premisa y volver a ejecutarla produce un ejercicio fresco para el mismo perfil de amenaza; las plantillas de incidente también establecen un brief, fijando la situación.- Semilla de escenario en texto libre: un cuadro opcional de semilla en la página de amenazas internas de IA orienta la narrativa de cualquier escenario. Al seleccionar una plantilla se rellena automáticamente, y puedes editarla o escribir la tuya desde cero. - Taxonomía ampliada a 27 amenazas / 6 categorías: se añade una sexta categoría de amenaza (Contención e impacto en terceros) y cuatro amenazas STRIDE sobre las que gira el ejercicio: S5 reutilización de credenciales de cargas de trabajo, R4 supresión de telemetría en el lado del agente, I5 compromiso de terceros y downstream, y E5 fallo de garantía del límite de contención. AttackGen ahora extiende el modelo de amenazas publicado en lugar de replicarlo.- Plantillas utilizables a través de MCP: get_ai_insider_prompt y generate_ai_insider_scenario aceptan template= y scenario_seed=, y list_ai_insider_options devuelve cada plantilla con las selecciones y el brief que aplica — de modo que un cliente puede elegir un ajuste preconfigurado con conocimiento de causa y llamar con solo una plantilla, el sector y el tamaño de la empresa. Antes se enumeraban los nombres de las plantillas, pero ninguna herramienta los aceptaba. |
| Habilidad attackgen-tabletop: ruta de amenazas internas de IA | - Una segunda vía de ejercicio: la habilidad de agente ahora construye un tabletop tanto a partir del modelo de amenazas internas de IA como de una cadena de eliminación de MITRE. Elige una plantilla de inicio rápido (o un arquetipo de despliegue y categorías de amenaza) y convierte la carga útil de get_ai_insider_prompt en un MSEL.- Misma forma, diferente espina dorsal: el ejercicio conserva las mismas seis secciones, pero la tabla de la cadena de eliminación se convierte en un perfil del agente y un alcance de amenazas STRIDE, la tarjeta de puntuación de detección se evalúa contra la postura de detección del arquetipo de despliegue — de modo que las filas que no se activarían se convierten en el hallazgo — y las decisiones requeridas por la plantilla se convierten en preguntas de discusión obligatorias. - Ruta elegida por ti: la descripción de la habilidad ahora se activa con frases sobre agentes maliciosos, de modo que pedir un "tabletop de amenazas internas de IA" llega a la ruta correcta. Un actor externo con tácticas aceleradas por IA permanece en la ruta MITRE. - Respuesta, no explotación: ambas rutas están explícitamente limitadas a ensayar las decisiones que un equipo de respuesta debe tomar — sin código de explotación, cargas útiles ni vulnerabilidades reales sin parchear — y la ruta de IA atribuye el comportamiento del agente a la configuración, el acceso y el objetivo, no a motivos humanos. |
| Corrección: los prompts de MCP para IA interna omitían las capacidades del agente | - Misma plantilla, mismo prompt: el bloque de capacidades del agente de frontera — las líneas basadas en benchmarks que hacen creíble un escenario de IA interna — se omitía en toda llamada a get_ai_insider_prompt / generate_ai_insider_scenario que no nombrara capabilities explícitamente. Ninguna plantilla las proporciona, por lo que el argumento quedaba vacío y el prompt sustituía una línea genérica del tipo "supongamos un agente de codificación de frontera capaz", mientras que la página 3 enviaba las cuatro para la misma plantilla.- Los valores predeterminados ahora coinciden con la aplicación: omitir capabilities aplica el conjunto completo, igual que hace la selección múltiple de la página. Pasar [] sigue dejándolas sin especificar, por lo que la exclusión deliberada no cambia. |
| Corrección: generación de escenarios con Anthropic Claude 4.7+ | - Todos los modelos Claude vuelven a funcionar: Claude 4.7 y versiones posteriores rechazan cualquier temperature de muestreo y devuelven BadRequestError: 'temperature' is deprecated for this model. Cuatro de los cinco modelos Anthropic enumerados — Fable 5, Opus 4.8, Sonnet 5 y Opus 4.7 — no podían generar un escenario en ninguna página; solo Haiku 4.5 funcionaba.- Controlado por modelo, no por proveedor: la regla de temperature se enrutaba antes desde el proveedor, lo que no puede expresar un proveedor cuyos modelos difieren. ModelInfo.supports_temperature ahora marca los modelos que la rechazan, de modo que Haiku 4.5 conserva su temperature configurada mientras sus hermanos la omiten. OpenAI sigue siendo una regla a nivel de proveedor (cada modelo de chat actual es un modelo de razonamiento), y los modelos no registrados — endpoints locales de Ollama / LM Studio — siguen recibiendo una temperature. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Servidor MCP para clientes agénticos | - Generación de escenarios como herramientas: un nuevo servidor FastMCP (mcp_server.py, SDK oficial mcp) expone AttackGen a clientes agénticos a través de stdio, de modo que un asistente como Claude Code o Claude Desktop puede obtener datos de MITRE y generar escenarios sin la interfaz de Streamlit.- Dos niveles: las herramientas de datos ( list_threat_groups, list_case_studies, get_kill_chain, get_detection_report, get_navigator_layer, list_ai_insider_options, get_ai_insider_prompt) no realizan llamadas al LLM ni necesitan clave de API: devuelven datos estructurados de MITRE y, cuando resulta útil, un prompt listo para ejecutar, por lo que es seguro alojarlas a través de HTTP. Las herramientas de generación (generate_threat_group_scenario, generate_custom_scenario, generate_ai_insider_scenario) aceptan una configuración de traer tu propia clave y devuelven Markdown terminado: mantenlas en stdio local.- Implementación compartida: el servidor reutiliza los mismos constructores headless de core/prompts.py y los cargadores de core/attack_data.py que usan las páginas de Streamlit, de modo que los escenarios coinciden con la aplicación en lugar de divergir. Inícialo con python -m mcp_server o con el script de consola attackgen-mcp. |
| Habilidad de agente attackgen-tabletop | - Tabletops listos para facilitadores: una nueva habilidad de agente se basa en las herramientas de datos de MCP para convertir un grupo de amenazas o estudio de caso de MITRE ATT&CK/ATLAS en un tabletop / MSEL completo de IR: narrativa del escenario, cadena de eliminación mapeada por fases, inyecciones con marca de tiempo, preguntas de discusión NIST SP 800-61 y una tarjeta de puntuación de cobertura de detección. - Se ejecuta en el modelo del llamador: la habilidad aporta el diseño del ejercicio mientras el servidor MCP aporta los datos, de modo que se ejecuta en el modelo propio del cliente sin necesidad de clave de API adicional. - Dos formatos de salida: se entrega como Markdown (predeterminado) o como informe HTML autónomo y apto para impresión. |
| El asistente perfecciona la salida de Detección y Respuesta | - Edición de equipo púrpura: el asistente de AttackGen ahora puede refinar la narrativa de Detección y Respuesta, no solo el escenario. Cuando se genera un escenario con la opción de narrativa de equipo púrpura 🟣 (páginas de Grupo de amenaza / Personalizado), aparece un selector Edición: en la página del asistente para que el chat pueda apuntar al escenario o al recorrido del defensor; antes el asistente solo tenía el texto del escenario. - Modo de edición combinado: un tercer destino Escenario + Detección y Respuesta refina ambos a la vez, de modo que un cambio transversal — un sector diferente, actor de amenaza, técnica o línea temporal — se aplica de forma coherente en el escenario del atacante y en la narrativa del defensor, en lugar de hacerse dos veces y acabar divergiendo. - Los hechos deterministas no se tocan: solo la narrativa del LLM es un destino de refinamiento; la unión de detección local de STIX nunca se edita con el LLM. Cada modo de edición mantiene su propio historial de chat, y el paso combinado se etiqueta como purple_team_narrative en LangSmith. |
| Registro de modelos más sencillo | - Una cosa menos por modelo: el kwarg max_completion_tokens y la regla de temperature para modelos de razonamiento ahora se enrutan desde el proveedor en lugar de mediante una bandera por modelo uses_max_completion_tokens — todos los modelos de chat actuales de OpenAI los usan, por lo que la bandera duplicaba un hecho que la clave del proveedor ya capturaba. Añadir un nuevo modelo de OpenAI sigue siendo una edición de una entrada en MODELS, sin banderas adicionales que recordar.- Sin cambios de comportamiento: solo una simplificación interna: el envoltorio crea kwargs idénticos de LiteLLM para todos los modelos actuales. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Corrección: generación de escenarios con OpenAI GPT-5.x | - Manejo correcto de los modelos de razonamiento: los modelos de razonamiento GPT-5.x de OpenAI rechazan cualquier temperature de muestreo distinta de su valor predeterminado, por lo que cada generación con GPT-5.x fallaba con BadRequestError: 'temperature' does not support 0.7 with this model. AttackGen ya no envía una temperature personalizada a estos modelos, mientras que otros proveedores conservan el valor configurado. |
| Actualización del registro de modelos | - Modelos más recientes: se actualizó la lista de modelos según la documentación actual de cada proveedor: OpenAI GPT-5.6 (niveles Sol / Terra / Luna), Claude Fable 5 y Claude Sonnet 5, manteniendo una generación anterior por proveedor para dar continuidad. - Eliminadas entradas obsoletas: se retiraron modelos que los proveedores han superado o están retirando — en particular qwen3-32b de Groq (cerrado el 17 jul 2026) y Magistral Medium de Mistral — para que la barra lateral no pueda ofrecer un modelo que dé error al seleccionarlo.- Se añadió un nivel rápido/económico de Groq ( llama-3.1-8b-instant). |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Modo de equipo púrpura: Detección y Respuesta | - Complemento defensivo: ahora, todo escenario de Grupo de amenaza y Personalizado muestra una sección de Detección y Respuesta que vincula cada técnica del escenario con las estrategias de detección, analíticas, fuentes de registro y mitigaciones de MITRE ATT&CK ya presentes en los datos incluidos — convirtiendo una narrativa solo roja en un ejercicio de equipo púrpura ("aquí está el ataque, y aquí exactamente lo que tu SOC debería haber visto"). - Sin llamadas al LLM para los datos: la sección de detección es una unión de datos local, no una llamada al modelo — por lo que las analíticas, fuentes de registro y mitigaciones que enumera son el contenido real de MITRE actual, no suposiciones del modelo. Se ofrece como descarga propia ..._detection.md junto con el escenario y la capa.- Fuentes de registro a activar: un resumen por escenario enumera las distintas fuentes de registro que leen las detecciones (p. ej. WinEventLog:Security (EventCode=4624)), de modo que un SOC puede ver de un vistazo qué telemetría asume el ejercicio.- Narrativa opcional de equipo púrpura: un conmutador 🟣 narrativa de equipo púrpura por página añade una segunda pasada del modelo que recorre el escenario etapa por etapa desde el lado del defensor — qué debería activarse, qué ve el analista, cómo responder — basada estrictamente en las detecciones y mitigaciones anteriores (sin detecciones inventadas). - Compatible con ATLAS: los escenarios ATLAS enumeran mitigaciones (ATLAS aún no tiene estrategias de detección) y lo indican, en lugar de no mostrar nada. |
| MITRE ATT&CK v19.1 y los últimos datos de ATLAS | - Marcos actualizados: los datos de MITRE ATT&CK Enterprise e ICS se actualizaron de v18.1 a v19.1, y MITRE ATLAS se actualizó a la última versión, de modo que los escenarios generados reflejan las tácticas, técnicas y estudios de caso actuales. - Listas de grupos actualizadas: los desplegables de grupos de amenaza se regeneran a partir de los paquetes v19.1 (174 grupos activos de Enterprise y 14 de ICS). Los grupos que MITRE ha revocado o fusionado en el upstream (p. ej. APT34 → OilRig, UNC2452 → APT29) ya no aparecen, mientras que los grupos de reciente seguimiento, como MirrorFace, sí lo hacen. - Más estudios de caso ATLAS: la biblioteca de estudios de caso de ATLAS creció hasta 57 (17 incidentes, 40 ejercicios). - Actualización repetible: un nuevo scripts/generate_groups.py regenera las asignaciones de grupos a partir de los paquetes STIX incluidos, complementando el script existente de estudios de caso ATLAS — de modo que la próxima actualización es un paso con script en lugar de una curación manual. |
| Exportación de capa del ATT&CK Navigator | - Capa descargable: cada escenario generado en las páginas de Grupo de amenaza y Escenario personalizado ofrece ahora una capa del ATT&CK Navigator (.json) junto con la descarga en Markdown, de modo que las técnicas de un escenario pueden visualizarse, anotarse y compartirse en el ATT&CK Navigator. Para verla, descarga la capa y ábrela mediante Open Existing Layer → Upload from local en el Navigator.- Las tres matrices: el dominio correcto del Navigator se establece automáticamente por matriz: sube las capas de Enterprise e ICS al MITRE ATT&CK Navigator y las capas de ATLAS al fork del ATLAS Navigator. (Una capa ATLAS no cargará en el ATT&CK Navigator, o viceversa, ya que cada uno solo reconoce su propio dominio). - Las técnicas permanecen visibles: las sub-técnicas puntuadas expanden automáticamente su técnica principal y los IDs de las técnicas se muestran en el diseño, de modo que las técnicas resaltadas del escenario son evidentes de inmediato en lugar de quedar ocultas en filas contraídas. - Sin llamadas adicionales al LLM: la capa es una serialización local de las técnicas ya seleccionadas para el escenario; no requiere ninguna llamada adicional al modelo ni consulta externa. - Nombres de archivo descriptivos: las descargas de escenario y capa ahora se nombran según el actor de amenaza / escenario personalizado y la matriz, con una marca de tiempo de generación (p. ej. AttackGen_APT29_Enterprise_20260714-153045.md), de modo que los archivos guardados son significativos y no colisionan entre escenarios. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
| ----------- | ----------------- |
| Escenarios de amenaza interna con IA | - Nuevo tipo de escenario: Una página dedicada genera ejercicios de mesa de respuesta a incidentes en los que un agente de IA de frontera desplegado dentro de tu organización se comporta como una amenaza interna — mediante desalineación, reward hacking, objetivos emergentes o compromiso por inyección de prompts. Basado en el modelo de amenaza de Las acciones hablan más alto que los tokens: un modelo de amenaza interna para agentes de IA de frontera. - Impulsado por arquetipos de despliegue: Los escenarios se configuran según el nivel de autonomía del agente (L1 asistente supervisado → L4 flota totalmente autónoma), que es el determinante principal de su superficie de amenaza y su postura de detección. - Cinco categorías de amenaza interna: Compromiso de credenciales, Sabotaje de la cadena de suministro, Exfiltración de datos, Sabotaje de la infraestructura y Engaño y evasión — cada una mapeada a manifestaciones concretas de agentes de IA en lugar de motivaciones humanas. - 23 amenazas STRIDE para agentes de IA: Una taxonomía STRIDE completa (Spoofing, Tampering, Repudiation, Information Disclosure, Denial of Service, Elevation of Privilege) adaptada para agentes de IA de frontera, opcionalmente usada para acotar el alcance del escenario. - Controles alineados con NIST CSF: Los escenarios generados incluyen mitigaciones priorizadas mapeadas al NIST Cybersecurity Framework (Identify, Protect, Detect, Respond, Recover). - Paridad de proveedores: Admite el mismo conjunto de proveedores que el resto de AttackGen con rastreo opcional de LangSmith. |
| Migración a LiteLLM y consolidación de proveedores | - Envoltorio LLM unificado: Toda la integración de proveedores ahora fluye a través de un único envoltorio core/llm.py que utiliza LiteLLM. Añadir un nuevo modelo es una edición de una línea en la lista MODELS de core/models.py; añadir un proveedor es una única entrada ProviderInfo. Refleja el patrón usado en stride-gpt.- Reducción masiva de código: Se eliminaron ~3.800 líneas de ramificaciones duplicadas por proveedor en las cuatro páginas (~1.000 líneas de bloques if model_provider == ... más ocho funciones envoltorio casi idénticas por página). Cada página ahora construye diccionarios de mensajes simples y llama a call_llm(config, messages).- Barra lateral basada en el registro de proveedores: La barra lateral de Bienvenida ahora se genera a partir del registro de proveedores, reemplazando ocho bloques de proveedores codificados a mano por un único bucle. - Listas de modelos actualizadas: Actualizadas a los últimos modelos: familia OpenAI GPT-5.5 / 5.4, Anthropic Claude 4.6 / 4.7 / 4.8, vista previa de Google Gemini 3.x, Mistral Large 3 / Magistral, Groq GPT-OSS y Qwen3. - Consolidación de proveedores: Se reemplazaron las entradas separadas de Azure OpenAI Service y Ollama por una única opción Custom (OpenAI-compatible). Las implementaciones de Azure, Ollama ( http://localhost:11434/v1), LM Studio (http://localhost:1234/v1), OpenRouter y los endpoints autoalojados funcionan a través de esta única vía.- Huella de dependencias más reducida: Se eliminaron los paquetes langchain, langchain-anthropic, langchain-core, langchain-community, langchain-google-genai, langchain-mistralai, langchain-openai y anthropic, reemplazados por una única dependencia litellm>=1.40. langsmith se conserva para el rastreo opcional.- Rastreo LangSmith conservado: El decorador @traceable y el widget de comentarios siguen funcionando de forma transparente; core/llm.py envuelve call_llm en @traceable cuando hay un cliente LangSmith disponible. |
| Actualización de seguridad de la imagen Docker | - Imagen base actualizada: Se actualizó el digest de python:3.12-slim para eliminar CVEs obsoletos de la capa del sistema operativo señalados por el escaneo de código de Trivy, reduciendo el número de alertas abiertas contra la imagen de contenedor publicada.- Corrección de pip CVE-2025-8869: pip ahora se actualiza antes de instalar los requisitos, incorporando la corrección para la falta de comprobaciones de enlaces simbólicos durante la extracción de paquetes. |
| Salida de streaming del LLM | - Generación token a token: Los escenarios y el chat del Asistente de AttackGen ahora transmiten tokens a medida que llegan en lugar de bloquearse hasta la respuesta completa, de modo que las generaciones largas se sienten receptivas y puedes leer mientras el modelo escribe. - API de streaming opt-in: Añade call_llm_stream junto a call_llm en el envoltorio unificado de LiteLLM, para que los llamadores elijan si transmitir o no sin cambiar el resto del contrato.- Manejo limpio del razonamiento: Un helper con estado stream_filter_thinking suprime las regiones <think>...</think> en la vista en vivo mientras que clean_model_response posterior al stream continúa poblando el expander de razonamiento desde el texto bruto completo. |
| Interruptor de adversario mejorado con IA | - Nuevo interruptor por página: Añade un interruptor de "adversario mejorado con IA" en las páginas de Grupo de Amenaza y Escenario Personalizado que reformula el escenario generado para que el adversario utilice IA para acelerar y potenciar la misma kill chain — menor nivel de habilidad, plazos comprimidos, orquestación autónoma y escala paralela — en lugar de introducir nuevas técnicas. - Basado en la investigación de Anthropic: Basado en la investigación del LLM ATT&CK Navigator de Anthropic, que encontró que el cambio más significativo en las ciberamenazas del mundo real es la aceleración y orquestación de las técnicas existentes, no la aparición de otras nuevas. - Visibilidad de trazas: Escenarios etiquetados con ai_enhanced en LangSmith para que las generaciones mejoradas por IA se puedan filtrar y comparar con las ejecuciones de referencia.- Omitido deliberadamente en la página de Amenaza Interna de IA: El actor de amenaza de esa página ya es un agente de IA de frontera, por lo que el enfoque de "mejorado con IA" sería redundante. |
| Correcciones de errores y mejoras | - Esta versión incluye varias mejoras menores de pulido de la interfaz y correcciones de renderizado en las páginas de escenarios y en la barra lateral. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Compatibilidad con el framework MITRE ATLAS | - Cobertura de amenazas de IA/ML: AttackGen ahora es compatible con el framework MITRE ATLAS (Adversarial Threat Landscape for AI Systems), lo que permite generar escenarios de respuesta a incidentes para amenazas dirigidas a sistemas de IA y aprendizaje automático. - Escenarios basados en casos de estudio: Genera escenarios basados en 45 casos de estudio documentados de ataques de IA en el mundo real, incluyendo 14 incidentes reales y 31 ejercicios de investigación que cubren ataques como inyección de prompts, extracción de modelos y envenenamiento de datos. - 147 técnicas ATLAS: Accede a la biblioteca completa de técnicas ATLAS que cubre 16 tácticas específicas de IA, incluyendo AI Model Access, AI Attack Staging y fases de ataque tradicionales adaptadas para sistemas de IA. - Plantillas específicas de IA: Seis nuevas plantillas de escenarios personalizados para ataques comunes de IA/ML: Evasión de Modelos, Envenenamiento de Datos, Extracción de Modelos, Inyección de Prompts, Jailbreak de LLM y ataques a la Cadena de Suministro de IA. |
| Datos de MITRE ATT&CK actualizados a v18.1 | - Última inteligencia de amenazas: AttackGen ahora utiliza datos de MITRE ATT&CK v18.1, garantizando que los escenarios generados reflejen las tácticas, técnicas y procedimientos más actuales utilizados por los actores de amenaza. - Cobertura Enterprise ampliada: La lista de grupos de amenaza Enterprise ha crecido de más de 150 a 187 grupos, incluyendo actores recientemente rastreados. - Cobertura ICS ampliada: La lista de grupos de amenaza ICS ha crecido de 7 a 16 grupos, proporcionando una mejor cobertura para escenarios de sistemas de control industrial. |
| Compatibilidad con modelos LLM actualizada | - OpenAI: Se añadieron los modelos GPT-5.2 y GPT-5.2 Pro; se simplificó la lista de modelos eliminando los modelos de razonamiento obsoletos de la serie o. - Anthropic: Actualizado a la familia Claude 4.5 con Sonnet 4.5, Haiku 4.5 y Opus 4.5. - Google AI: Se añadieron los modelos de vista previa Gemini 3 Pro y Flash; se actualizaron las opciones de Gemini 2.5. - Groq: Se añadieron los modelos GPT-OSS 120B y 20B para inferencia de alto rendimiento. - Mistral: Actualizado a versiones de modelo fechadas (Large 2512, Medium 2508, Small 2506); se añadió Ministral 14B. |
| Correcciones de errores | - Corregido el manejo de respuestas de Google AI: Se actualizó el análisis de respuestas para manejar el formato de contenido estructurado devuelto por los modelos Gemini más recientes, garantizando que el texto del escenario se extraiga y muestre correctamente. - Corregidos los mensajes de error de la matriz ICS: Los mensajes de error ahora muestran correctamente "ICS ATT&CK" en lugar de "Enterprise ATT&CK" al usar la matriz ICS. - Mejorado el manejo de técnicas vacías: Se añadió un manejo elegante cuando un grupo de amenaza no tiene técnicas asociadas, evitando errores secundarios. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Compatibilidad con LangChain v1.0 | - Corregidos los cambios de importación que rompían la compatibilidad: Se actualizaron todas las importaciones de langchain.prompts.chat (obsoleto) a langchain_core.prompts, garantizando la compatibilidad con LangChain v1.0 y evitando problemas de ModuleNotFoundError. Esto mantiene la estabilidad a medida que evoluciona el ecosistema LangChain. |
| Infraestructura de seguridad integral | - Escaneo de seguridad automatizado: Se introdujeron flujos de trabajo de GitHub Actions para la monitorización continua de seguridad mediante Bandit (análisis de código Python), CodeQL (detección de vulnerabilidades), pip-audit (escaneo de dependencias), Safety (vulnerabilidades conocidas), Gitleaks (detección de secretos) y Trivy (escaneo de imágenes Docker). - Documentación de mejores prácticas de seguridad: Se añadió un SECURITY.md completo que cubre versiones compatibles, notificación de vulnerabilidades, gestión de claves API, consideraciones de privacidad de datos y orientación sobre seguridad en el despliegue. - Sección de seguridad del README mejorada: Se amplió la orientación de seguridad con recomendaciones claras sobre qué hacer y qué evitar para la protección de claves API, consideraciones de privacidad de datos y prácticas responsables de despliegue. |
| Mejoras de Docker | - Seguridad mejorada: Se actualizó el Dockerfile para ejecutarse como usuario no root, mejorando la postura de seguridad del contenedor. - Compatibilidad con Docker Compose: Se añadió docker-compose.yml para un despliegue multi-servicio optimizado y una configuración más fácil de desarrollo local. - Mejor optimización de build: Se mejoró .dockerignore para reducir el tamaño de la imagen y evitar que archivos sensibles se incluyan en las imágenes de contenedor. - Plantilla de configuración integral: Se actualizó .env.example con todas las claves API compatibles (OpenAI, Anthropic, Azure, Google, Mistral, Groq) para facilitar la configuración inicial. |
| Correcciones de errores | - Timeout de la API de Ollama: Se añadió configuración de timeout a las solicitudes a la API de Ollama para evitar conexiones colgadas. - Actualizaciones de la CLI de Safety: Se actualizó del comando obsoleto safety check al nuevo comando safety scan, garantizando la continuidad de la funcionalidad de escaneo de seguridad.- Configuración de Bandit: Se corrigió la configuración del escaneo de seguridad de Bandit para un análisis de código Python más preciso. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Integración con la API Responses de OpenAI | - API de nueva generación: AttackGen ahora utiliza la última API Responses de OpenAI para todos los modelos compatibles, proporcionando una interfaz unificada y mejorada. |
| Compatibilidad con los últimos modelos de frontera | - Integración de GPT-5: Se añadió compatibilidad con la última serie de modelos GPT-5 de OpenAI, incluyendo gpt-5, gpt-5-mini y gpt-5-nano, proporcionando acceso a las capacidades de IA más avanzadas para la generación de escenarios. - Claude Sonnet 4.5: Se añadió compatibilidad con el último modelo Claude Sonnet 4.5 de Anthropic (claude-sonnet-4-5-20250929), junto con versiones actualizadas de modelos Claude, incluyendo Claude Opus 4.1 (claude-opus-4-1-20250805). |
| Correcciones de errores y mejoras | - Corregida la advertencia de obsolescencia de Streamlit: Se sustituyó el parámetro obsoleto use_container_width por el nuevo parámetro width para garantizar la compatibilidad con futuras versiones de Streamlit.- Documentación mejorada: Se actualizó CLAUDE.md con orientación integral para futuros desarrollos y se añadió información detallada sobre la arquitectura. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Compatibilidad ampliada de modelos | - Últimos modelos de razonamiento de OpenAI: AttackGen ahora es compatible con los modelos de razonamiento más recientes de OpenAI, incluyendo o4-mini (el último modelo de razonamiento), o3/o3-mini y o1-pro (capacidades de razonamiento mejoradas). Estos modelos destacan en la generación de escenarios complejos que requieren pensamiento lógico profundo. - Serie GPT-4.1: Se añadió compatibilidad con los modelos de la serie GPT-4.1 (gpt-4.1, gpt-4.1-mini y gpt-4.1-nano), que ofrecen las últimas mejoras en capacidades generales de IA con alternativas más ligeras para casos de uso sensibles al coste. - Modelos Anthropic Claude: Se añadió compatibilidad integral con los modelos Claude de Anthropic, incluyendo claude-opus-4-20250514, claude-sonnet-4-20250514, claude-3-7-sonnet-latest y claude-3-5-haiku-latest. Estos modelos ofrecen un rendimiento excelente para generar escenarios de respuesta a incidentes detallados y contextualmente conscientes, con sólidas capacidades de razonamiento. - Modelos de Google AI actualizados: Se actualizó la selección de modelos de Google AI para incluir los últimos modelos de vista previa Gemini 2.5 (gemini-2.5-flash-preview-05-20 y gemini-2.5-pro-preview-05-06) junto con los modelos Gemini 2.0, proporcionando acceso a las mejoras más recientes de la tecnología de IA de Google. - Mejor organización de modelos: Se reorganizaron los menús desplegables de selección de modelos para priorizar los modelos más nuevos y se actualizaron las descripciones para distinguir claramente entre los diferentes tipos y capacidades de modelos. |
| Lógica mejorada de selección de técnicas | - Manejo de grupos más robusto: Se corrigió un problema por el que los grupos de actores de amenaza vacíos podían causar errores durante la selección de técnicas. La herramienta ahora maneja correctamente los grupos vacíos devolviendo un DataFrame vacío, garantizando un funcionamiento estable incluso con datos limitados de actores de amenaza. - Conservación del nombre de fase: Se mejoró el proceso de selección de técnicas para incluir correctamente 'Phase Name' en la salida, manteniendo la información de la fase de la kill chain durante todo el proceso de generación de escenarios. Esto asegura que los escenarios generados mantengan el contexto adecuado sobre a qué fase de un ataque pertenece cada técnica. |
| Mejoras del entorno de desarrollo | - .gitignore mejorado: Se añadió compatibilidad con los directorios de entorno virtual .venv además de venv, adaptándose a las diferentes preferencias de los desarrolladores y herramientas de gestión de entornos Python.- Limpieza de código: Se eliminaron importaciones no utilizadas en los scripts de generación de escenarios, mejorando el mantenimiento del código y reduciendo posibles confusiones. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Endpoints de API personalizados compatibles con OpenAI | - Mayor flexibilidad: AttackGen ahora admite endpoints de API personalizados compatibles con OpenAI, como Anyscale, Together AI o cualquier API autoalojada compatible. Esta funcionalidad permite a los usuarios aprovechar una gama más amplia de modelos y servicios más allá de los proveedores oficialmente compatibles. - Compatibilidad con autoalojamiento: Las organizaciones con sus propias implementaciones de modelos compatibles con OpenAI ahora pueden conectar AttackGen directamente a estos endpoints. - Control sobre la selección de modelos: Los usuarios pueden especificar la URL base, el nombre del modelo y la clave API de cualquier servicio compatible, proporcionando un mayor control sobre qué modelos y endpoints se utilizan para la generación de escenarios. |
| Selección de modelos actualizada | - Acceso a los últimos modelos: La selección de modelos de OpenAI ahora incluye los nuevos modelos de la serie GPT-4.1 (gpt-4.1, gpt-4.1-mini, gpt-4.1-nano), que ofrecen un mejor rendimiento en tareas de codificación, seguimiento de instrucciones y contexto largo. - Compatibilidad Gemini ampliada: Se añadió compatibilidad con los últimos modelos Gemini 2.5 Pro Preview, 2.0 Flash y 2.0 Flash Lite. |
| Compatibilidad con modelos OpenAI actualizada | - Últimos modelos: AttackGen ahora es compatible con el último modelo de razonamiento o3 de OpenAI y la versión GA (disponibilidad general) del modelo o1, sustituyendo a la versión de vista previa anterior. Estas actualizaciones proporcionan acceso a modelos más estables y mejorados para la generación de escenarios. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|
| Compatibilidad con los nuevos modelos de 'razonamiento' de OpenAI | - Generación de escenarios mejorada: AttackGen ahora es compatible con los nuevos modelos de 'razonamiento' de OpenAI (o1-preview y o1-mini), lo que permite generar escenarios de respuesta a incidentes muy detallados y matizados. Estos modelos ofrecen una mejor coherencia y profundidad en la creación de escenarios. |
| Compatibilidad con la matriz ICS de MITRE ATT&CK | - Alcance ampliado: AttackGen ahora es compatible con la generación de escenarios de prueba de respuesta a incidentes utilizando la matriz ICS (sistemas de control industrial) de MITRE ATT&CK, además de la matriz Enterprise. Esto permite a los usuarios crear escenarios adaptados a entornos industriales y de infraestructuras críticas. |
| Datos fuente de ATT&CK actualizados a v15.1 | - Última inteligencia de amenazas: La herramienta ahora utiliza los datos más actualizados de MITRE ATT&CK (v15.1), garantizando que los escenarios generados reflejen las últimas tácticas, técnicas y procedimientos conocidos utilizados por los actores de amenaza. |
| Datos de grupos de actores de amenaza actualizados | - Cobertura integral: Los datos de grupos se han actualizado para incluir los últimos grupos rastreados en MITRE ATT&CK, como Scattered Spider. Esto garantiza que los usuarios puedan generar escenarios basados en la información más actualizada disponible sobre actores de amenaza. |
| Carga de claves API / secretos desde un archivo .env | - Seguridad mejorada: Los usuarios ahora pueden almacenar sus claves API y otra información sensible en un archivo .env, mejorando la seguridad y facilitando la gestión de credenciales en distintos entornos. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|---|
| Compatibilidad con el modelo GPT-4o mini | - Opciones de modelo ampliadas: AttackGen ahora es compatible con el uso del modelo GPT-4o mini de OpenAI. GPT4-o mini es un modelo pequeño muy rentable. |
| Opciones de modelo actualizadas para la API de Google AI | - Opciones de modelo ampliadas: AttackGen ahora es compatible con las versiones estable y de vista previa de Gemini 1.5 Pro. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|---|
| Compatibilidad con el modelo GPT-4o | - Opciones de modelo mejoradas: AttackGen ahora es compatible con el uso del modelo GPT-4o de OpenAI. GPT4-o es el modelo líder de OpenAI, capaz de generar escenarios el doble de rápido que GPT-4 por la mitad del coste. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
| ----------- | ---------------- |
| Asistente de AttackGen | - Refinamiento iterativo de escenarios: La nueva interfaz de chat permite a los usuarios interactuar con sus escenarios de respuesta a incidentes generados, lo que facilita la actualización y las consultas sobre el escenario sin tener que regenerarlo desde cero. Esta función permite un enfoque iterativo para el desarrollo de escenarios, donde los usuarios pueden refinar y mejorar sus escenarios según las respuestas del asistente de IA. - Asistencia contextual: El asistente de IA responde a las consultas de los usuarios basándose en el contexto del escenario generado y en el historial de la conversación. Esto garantiza que las respuestas del asistente sean relevantes y útiles para refinar el escenario. |
| Plantillas de inicio rápido para escenarios personalizados | - Generación rápida de escenarios: Los usuarios ahora pueden generar rápidamente escenarios personalizados de respuesta a incidentes basados en plantillas predefinidas para tipos comunes de incidentes cibernéticos, como ataques de phishing, ataques de ransomware, infecciones de malware y amenazas internas. Esta función facilita la creación de escenarios realistas sin tener que seleccionar técnicas individuales de ATT&CK. - Flujo de trabajo optimizado: La selección de plantillas se integra perfectamente en el proceso de generación de escenarios personalizados. Los usuarios pueden elegir una plantilla, que completa automáticamente las técnicas ATT&CK relevantes, y luego personalizar aún más el escenario si es necesario. |
| Integración con la API de Google AI | - Opciones de modelo ampliadas: AttackGen ahora admite el uso de los modelos Gemini de Google para generar escenarios de respuesta a incidentes. Esta integración amplía la gama de modelos de alta calidad disponibles para los usuarios, permitiéndoles aprovechar las capacidades de IA de Google para crear escenarios realistas y diversos. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|---|
| Integración con la API de Mistral | - Proveedor de modelos alternativo: Los usuarios ahora pueden aprovechar los modelos de Mistral AI para generar escenarios de respuesta a incidentes. Esta integración ofrece una alternativa a los modelos de OpenAI y Azure OpenAI Service, permitiendo a los usuarios explorar y comparar el rendimiento de diferentes modelos de lenguaje para su caso de uso específico. |
| Soporte de modelos locales mediante Ollama | - Alojamiento local de modelos: AttackGen ahora admite el uso de LLM alojados localmente mediante una integración con Ollama. Esta función es particularmente útil para organizaciones con requisitos estrictos de privacidad de datos o para aquellas que prefieren mantener sus datos on-premises. Ten en cuenta que esta función no está disponible para los usuarios de la versión de AttackGen alojada en Streamlit Community Cloud en https://attackgen.streamlit.app |
| Integración opcional de LangSmith | - Mayor flexibilidad: La integración con LangSmith ahora es opcional. Si no se proporciona una clave de API de LangChain, los usuarios verán un mensaje informativo que indica que la ejecución no será registrada por LangSmith, en lugar de que se produzca un error. Este cambio mejora la experiencia general del usuario y permite a los usuarios seguir usando AttackGen sin necesidad de LangSmith. |
| Varias correcciones de errores y mejoras | - Experiencia de usuario mejorada: Esta versión incluye varias correcciones de errores y mejoras en la interfaz de usuario, lo que hace que AttackGen sea más fácil de usar y robusto. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|---|
| Integración con Azure OpenAI Service | - Integración mejorada: Los usuarios ahora pueden optar por utilizar modelos de OpenAI desplegados en Azure OpenAI Service, además de la API estándar de OpenAI. Esta integración ofrece una solución fluida y segura para incorporar AttackGen en ecosistemas Azure existentes, aprovechando acuerdos comerciales y de confidencialidad establecidos. - Seguridad de datos mejorada: Ejecutar AttackGen desde Azure garantiza que las descripciones de aplicaciones y otros datos permanezcan dentro del entorno de Azure, lo que lo hace ideal para organizaciones que manejan datos sensibles en sus modelos de amenazas. |
| LangSmith para Azure OpenAI Service | - Depuración mejorada: El rastreo de LangSmith ahora está disponible para los escenarios generados con Azure OpenAI Service. Esta función proporciona una potente herramienta para depurar, probar y monitorear el rendimiento del modelo, permitiendo a los usuarios obtener información sobre el proceso de toma de decisiones del modelo e identificar posibles problemas con los escenarios generados. - Comentarios de los usuarios: LangSmith también captura comentarios de los usuarios sobre la calidad de los escenarios generados con Azure OpenAI Service, lo que proporciona información valiosa sobre el rendimiento del modelo y la satisfacción del usuario. |
| Selección de modelos para la API de OpenAI | - Opciones de modelo flexibles: Los usuarios ahora pueden seleccionar entre varios modelos disponibles en el endpoint de la API de OpenAI, como gpt-4-turbo-preview. Esto permite una mayor personalización y experimentación con diferentes modelos de lenguaje, lo que permite a los usuarios encontrar el modelo más adecuado para su caso de uso específico. |
| Imagen de contenedor Docker | - Implementación sencilla: AttackGen ahora está disponible como una imagen de contenedor Docker, lo que facilita la implementación y ejecución de la aplicación en un entorno consistente y reproducible. Esta función es particularmente útil para los usuarios que quieren ejecutar AttackGen en un entorno contenedorizado o para aquellos que quieren implementar la aplicación en una plataforma en la nube. |
| ¿Qué hay de nuevo? | ¿Por qué es útil? |
|---|---|
| Escenarios personalizados basados en técnicas ATT&CK | - Para organizaciones maduras: Esta función es particularmente beneficiosa si tu organización tiene capacidades avanzadas de inteligencia de amenazas. Por ejemplo, si estás monitoreando un grupo de actores de amenazas recién identificado o menos conocido, puedes adaptar los escenarios de prueba de respuesta a incidentes específicos para las técnicas utilizadas por ese grupo. - Pruebas enfocadas: Alternativamente, usa esta función para enfocar tus pruebas de respuesta a incidentes en partes específicas de la cyber kill chain o en ciertas tácticas de MITRE ATT&CK como 'Lateral Movement' o 'Exfiltration'. Esto es útil para organizaciones que buscan evaluar y mejorar áreas específicas de su postura de defensa. |
| Comentarios de los usuarios sobre los escenarios generados | - Recopilar comentarios es esencial para realizar un seguimiento del rendimiento del modelo a lo largo del tiempo y ayuda a destacar las fortalezas y debilidades en las tareas de generación de escenarios. |
| Manejo de errores mejorado para claves de API faltantes | - Experiencia de usuario mejorada. |
Widgets st.spinner de Streamlit reemplazados por el nuevo widget st.status | - Proporciona una mejor visibilidad de los procesos de larga duración (es decir, la generación de escenarios). |
Versión inicial.