Asistente de ciberseguridad aislado de la red para profesionales de la seguridad. Herramienta de análisis impulsada por IA 100% sin conexión para Nmap, Volatility, BloodHound, Metasploit, YARA y más. Construido para entornos donde la IA en la nube no está disponible.
Syd es un asistente de pruebas de penetración aislado que analiza salidas de escaneo utilizando LLMs locales y generación aumentada por recuperación. Se ejecuta completamente en tu portátil sin necesidad de conectividad a Internet ni claves API.
Syd analiza salidas técnicas de escaneo (Nmap, BloodHound, Volatility) y responde preguntas en lenguaje natural. En lugar de revisar manualmente cientos de páginas de resultados, puedes hacer preguntas específicas y obtener respuestas basadas en evidencia fundamentadas en tus datos reales de escaneo.
Herramientas compatibles:
Características clave:
Syd utiliza un pipeline de tres etapas:
La etapa de extracción de hechos utiliza expresiones regulares y análisis estructurado (sin LLM). Esto garantiza una extracción de datos 100% precisa. El LLM solo genera explicaciones en lenguaje natural basadas en hechos verificados.
La validación verifica cada respuesta generada contra los hechos extraídos. Si el LLM menciona datos que no están presentes en tu escaneo (PIDs, direcciones IP, nombres de host, etc.), la respuesta se rechaza.
Hardware:
Software:
Configuración probada:
Ejecuta un comando y todo se maneja automáticamente:
python setup.py
Este script:
Tiempo requerido: 15-30 minutos (principalmente descarga)
No se requiere cuenta de HuggingFace. Los índices FAISS están incluidos en el repositorio.
Si setup.py falla, instala manualmente:
pip install -r requirements.txt
Descarga el modelo desde HuggingFace:
Ejecuta Syd:
python syd.py
Consulta INSTALL.md para obtener una solución detallada de problemas.
Probado con datos reales de pruebas de penetración:
La capa de validación previene las alucinaciones. Las respuestas que hacen referencia a datos inexistentes son bloqueadas.
Syd_V3/
├── syd.py # Aplicación principal
├── nmap_fact_extractor.py # Analizador de Nmap
├── bloodhound_fact_extractor.py # Analizador de BloodHound
├── volatility_fact_extractor.py # Analizador de Volatility
├── bloodhound_analyzer.py # Lógica de análisis de BloodHound
├── volatility_analyzer.py # Lógica de análisis de Volatility
├── knowledge_bases/ # Documentación técnica
│ ├── bloodhound/
│ └── volatility/
├── rag_engine/
│ ├── models/ # Modelos LLM (formato GGUF)
│ └── embeddings/ # Índices FAISS
└── chunk_and_embed_*.py # Scripts de indexación de bases de conocimiento
LLM: Qwen 2.5 14B (cuantización Q5_K_M) Embeddings: all-MiniLM-L6-v2 (sentence-transformers) BD vectorial: FAISS (optimizado para CPU) Interfaz gráfica: tkinter (multiplataforma)
Temperatura: 0.05-0.1 (baja para reducir alucinaciones) Penalización por repetición: 2.8-3.2 (evitar bucles) Ventana de contexto: 4096-8192 tokens
Diseñado para escenarios típicos de pruebas de penetración (10-500 hosts). Los escaneos a escala empresarial pueden requerir fragmentación.
Modelo no encontrado:
rag_engine/models/qwen2.5-14b-instruct-q5_k_m.ggufÍndice FAISS no encontrado:
python chunk_and_embed_*.pyrag_engine/embeddings/customers/Memoria insuficiente:
Rendimiento lento:
Soporte comunitario:
Soporte profesional: Si te encuentras en un entorno aislado y tienes dificultades con la configuración, ofrezco instalaciones USB preconfiguradas por un pequeño costo. Todo incluido y probado.
Contacto: [email protected]
Recursos:
Particularmente interesado en:
Consulta CONTRIBUTING.md para obtener más información.
Licencia MIT - Consulta el archivo LICENSE
Construido utilizando:
Desarrollado y probado con datos reales de pruebas de penetración.
Autor: Paul Armstrong (@Sydsec) Sitio web: https://sydsec.co.uk YouTube: https://www.youtube.com/@paularmstrong8306