PHANTOM BRAIN v0.9

Outil d'analyse de pentesting hors ligne alimenté par IA avec intégration matérielle réelle

Analyse LLM locale (via Ollama) pour les captures WiFi, Sub-GHz, NFC/RFID et WPA2 — sans internet, sans API cloud, 100% hors ligne. Le LLM principal s'exécute sur un PC Windows. Le Raspberry Pi agit comme un nœud secondaire léger (capture en direct + phi3:mini uniquement).

Matériel pris en charge : Flipper Zero · WiFi Pineapple MK7 · Proxmark3 · Raspberry Pi 4 (Kali Linux) · Atheros AR9271

Modèles : mistral:7b-instruct · deepseek-r1:7b · phi3:mini

Licence : GPL-3.0 | Auteur : Otto | Communauté : AI Tinkerers

⚠️ Projet expérimental — ne pas utiliser en production. L'analyse IA assiste les chercheurs humains ; elle ne remplace pas un audit manuel. Vérifiez toujours les résultats de manière indépendante.

Ce que PHANTOM BRAIN EST et N'EST PAS

✅ Ce qu'IL EST	❌ Ce qu'il N'EST PAS
Analyseur automatique qui structure les résultats de capture	Un remplacement de Wireshark, bettercap ou aircrack-ng
Générateur de rapports propulsé par IA (hors ligne, LLM local)	Un pentesteur autonome
Orchestrateur entre outils matériels (Flipper, Pineapple, Proxmark)	Un outil de sécurité prêt pour la production
Plateforme de recherche et d'apprentissage	Un substitut à l'audit manuel
100% hors ligne — pas d'exfiltration de données	Dépendant du cloud ou d'API

💡 Chaque rapport généré par IA doit être considéré comme un point de départ, non comme un verdict final. Les LLM peuvent halluciner des vulnérabilités. La sortie structurée de l'analyseur (sans IA) est toujours plus fiable.

Architecture du système

TERRAIN (Mobile) :
┌──────────────────┐
│  Flipper Zero    │ ──► Sub-GHz (.sub), NFC (.nfc), scan WiFi
└──────────────────┘
┌──────────────────┐
│  WiFi Pineapple  │ ──► Handshakes WPA2 (.pcap), deauth, PMKID
└──────────────────┘
┌──────────────────┐
│  Proxmark3       │ ──► RFID/NFC avancé (EM410x, MIFARE, EMV)
└──────────────────┘

BASE — NŒUD PRINCIPAL (requis pour toutes les fonctionnalités) :
┌──────────────────────────────────────────────────────┐
│  PC Windows (ou bureau Linux)                        │
│  Python 3.11+ · Ollama · Flask API                  │
│  Exécute : mistral:7b-instruct, deepseek-r1:7b       │
│  ► CLI PHANTOM BRAIN, analyse complète, rapports     │
└──────────────────────────────────────────────────────┘

BASE — NŒUD SECONDAIRE (optionnel, léger) :
┌──────────────────────────────────────────────────────┐
│  Raspberry Pi 4 (Kali Linux)                         │
│  Ollama · Atheros AR9271                             │
│  Exécute : phi3:mini uniquement (mistral:7b trop lourd pour Pi) │
│  ► Capture WiFi en direct · inférence locale légère   │
│  REMARQUE : se connecte à l'Ollama du PC pour les modèles lourds│
└──────────────────────────────────────────────────────┘

⚠️ Note d'architecture : Le Raspberry Pi n'exécute pas la pile complète Phantom Brain de manière autonome. Pour une analyse complète avec mistral:7b-instruct ou deepseek-r1:7b, un PC avec Ollama est requis. Le Pi sert de nœud de capture et peut exécuter phi3:mini pour une inférence hors ligne légère uniquement.

Pipeline d'analyse (v0.9)

``` input → classifier → tool.run() → ToolResult(risk, findings) → Ollama ```

Chaque type de capture passe par son outil spécifique avant d'atteindre le LLM. L'outil structure la sortie avec un niveau de risque et des constats clés, enrichissant le contexte envoyé à Ollama.

Fonctionnalités

WiFi / Marauder

Analyseur de logs Marauder
Détection des réseaux WPS vulnérables
Identification des réseaux cachés
Statistiques de sécurité

Sub-GHz / Flipper Zero

Analyseur de fichiers `.sub` (`sub_ghz_parser.py`)
Extraction : protocole, fréquence, clés, paquets
Supporte : Security+ 2.0, Rolling Code, Fixed Code
Analyseur de motifs entre captures (`sub_ghz_analyzer.py`)

NFC / Flipper Zero + Proxmark3

Analyseur de fichiers `.nfc` (`nfc_parser.py`)
Supporte : MIFARE Classic 1K/4K, MIFARE Plus, NTAG, FeliCa, EMV
Analyseur de vulnérabilités (`nfc_analyzer.py`)
Détection : Darkside, Hardnested, contournement d'authentification lecteur
Analyse spéciale pour SUBE (transport public)
Analyseur de sortie Proxmark3 (`proxmark_parser.py`)

WPA2 / WiFi Pineapple

Analyseur PCAP avec Scapy (`pcap_parser_v2.py`)
Extraction : BSSID, SSID, trames EAPOL, PMKID
Validation des handshakes complets
Pipeline complet : `hcxpcapngtool` → `hashcat -m 22000`

Système d'outils (v0.9)

`tools/base_tool.py` — contrat unifié `BaseTool` + `ToolResult`
`ToolResult` avec `risk` (CRITICO/ALTO/MEDIO/BAJO) et `findings` structurés
`tools/registry.py` — registre central, distribue l'outil correct par type
`tools/classifier.py` — auto-détection par extension et contenu
14/14 tests réussis avec fixtures réelles (`pytest tests/test_tools.py`)

Base de données et rapports

SQLite pour l'historique des analyses (`db_manager.py`)
Rapports en texte brut avec horodatage
Recherche par UID/BSSID, filtrage par niveau de risque
Statistiques d'analyse

API REST Flask

`flask_api.py` tournant sur le port 5000
`GET /status` — vérifie Ollama et les modèles disponibles
`POST /upload` — reçoit les fichiers `.pcap`, `.nfc`, `.sub`
`POST /analyze` — analyse avec Ollama et sauvegarde dans SQLite
`GET /analysis/` — interroge une analyse sauvegardée par ID

Modèles IA pris en charge

Modèle	RAM min	Stockage	Vitesse (CPU)	Meilleur pour	Nœud
`phi3:mini`	4 Go	~2,3 Go	~5 min	Tri rapide, inférence légère, fonctionne sur Pi — profondeur de raisonnement limitée	Raspberry Pi 4 / PC
`mistral:7b-instruct`	8 Go	~4,1 Go	~30 s (PC)	Recommandé par défaut. Analyse complète, commandes actionnables précises, meilleur rapport précision/vitesse	PC uniquement
`deepseek-r1:7b`	8 Go	~4,5 Go	~45 s (PC)	Analyse approfondie, étapes de mitigation détaillées, raisonnement en chaîne de pensée	PC uniquement

Remarque : Les benchmarks de vitesse ont été mesurés sur un PC avec 32 Go de RAM (CPU uniquement, sans GPU). L'accélération GPU via CUDA/ROCm réduira considérablement le temps d'inférence. Le Pi ne peut exécuter que phi3:mini de manière fiable — mistral:7b provoque un throttling thermique et un OOM sur Pi 4B 8 Go.

Tous les modèles fonctionnent 100% hors ligne via Ollama — aucune connexion internet requise.

Populaires

phantom-brain