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

💡 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

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.

Structure des fichiers

phantom-brain/
├── phantom_brain.py          # CLI principale - point d'entrée
├── flask_api.py              # API REST Flask
├── db_manager.py             # SQLite - historique des rapports
├── pcap_parser_v2.py         # Analyseur WPA2/PCAP
├── proxmark_parser.py        # Analyseur de sortie Proxmark3
├── nfc_parser.py             # Analyseur de fichiers Flipper .nfc
├── nfc_analyzer.py           # Analyseur de vulnérabilités NFC
├── sub_ghz_parser.py         # Analyseur de fichiers Flipper .sub
├── sub_ghz_analyzer.py       # Analyseur de motifs Sub-GHz
├── exploit_guide.py          # Guides d'exploitation sans IA
├── proxmark_launch.bat       # Script de lancement Proxmark3 (Windows)
├── config.yaml.example       # Modèle de configuration
├── requirements.txt          # Dépendances Python
├── tools/                    # Système d'outils modulaire (v0.9)
│   ├── base_tool.py          # BaseTool + ToolResult avec risque/constats
│   ├── classifier.py         # Auto-détection du type de capture
│   ├── registry.py           # Registre central des outils
│   ├── proxmark_tool.py      # Outil Proxmark3
│   ├── nfc_tool.py           # Outil NFC
│   ├── wpa2_tool.py          # Outil WPA2/PCAP
│   └── subghz_tool.py        # Outil Sub-GHz
├── tests/                    # Tests automatisés (14/14 réussis)
│   └── test_tools.py
├── prompts/                  # Prompts système séparés par type
│   └── system_prompts.py
├── benchmarks/               # Suite de benchmarks
│   ├── dataset/              # Captures avec résultats attendus
│   ├── results/              # Rapports JSON et markdown
│   ├── benchmark_runner.py
│   └── run_benchmark.py
├── reportes/                 # Rapports générés (ignorés dans git)
├── pcap/                     # Captures WPA2 (ignorés dans git)
└── archive/                  # Versions précédentes

Installation

```bash git clone https://github.com/OttoyRocky/phantom-brain.git cd phantom-brain pip install -r requirements.txt cp config.yaml.example config.yaml ollama pull mistral:7b-instruct ```

Raspberry Pi (Kali Linux)

```bash echo 'export OLLAMA_MODELS=/media/kali/discoexterno/ollama' >> ~/.zshrc source ~/.zshrc ollama pull phi3:mini

sudo fallocate -l 2G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

cd /media/kali/discoexterno git clone https://github.com/OttoyRocky/phantom-brain.git ```

Utilisation

```bash python phantom_brain.py python flask_api.py curl http://127.0.0.1:5000/status python -m pytest tests/test_tools.py -v ```

Menu principal

```

1. Coller du texte manuellement
2. Lire un fichier générique (scan.txt, nmap, etc.)
3. Lire un log Flipper Zero / Marauder (.log)
4. Analyser des captures Sub-GHz (.sub)
5. Analyser des captures NFC (.nfc)
6. Analyser des captures de Handshake WPA2 (.pcap)
7. Analyser une capture Proxmark3 (coller la sortie directement)
8. Voir l'historique des rapports
9. Guides d'exploitation (sans analyse IA)
10. Capture WiFi en direct - Atheros AR9271 (Raspberry Pi uniquement)
11. Générer une wordlist intelligente avec l'IA (basée sur SSID) ```

Génération de wordlist intelligente avec IA

• Génère des dictionnaires personnalisés en utilisant l'IA locale (Ollama) à partir du SSID cible.
• Entrée : SSID + contexte optionnel (pays, FAI, année, etc.).
• Sortie : `wordlist__.txt` dans le répertoire de travail courant.
• Patterns : variantes de SSID, années 2020-2025, contexte argentin (football, dates, FAI), symboles comme `!@#`.
• Affiche la commande prête à l'emploi : `hashcat -m 22000 captura.hc22000 wordlist__.txt`

Feuille de route

Prérequis

PC Windows (nœud principal — requis pour toutes les fonctionnalités) :

• Python 3.11+
• Ollama avec mistral:7b-instruct (recommandé) ou deepseek-r1:7b
• 8 Go de RAM minimum · 16 Go+ recommandé
• pip install -r requirements.txt

Raspberry Pi 4 (nœud secondaire — optionnel) :

• Kali Linux
• Python 3.11+
• Ollama avec phi3:mini uniquement (modèles plus lourds non pris en charge)
• Modèle 8 Go RAM recommandé · swap de 2 Go requis
• Adaptateur Atheros AR9271 pour capture en direct (Option 10)

Avertissement

Ce projet est destiné uniquement à des environnements de laboratoire autorisés. L'utilisation de ces outils contre des réseaux ou appareils sans autorisation écrite explicite est illégale et contraire à l'éthique.

L'analyse générée par IA ne remplace pas une évaluation de sécurité professionnelle. Tous les résultats doivent être vérifiés manuellement.

Auteur : Otto | Communauté : AI Tinkerers | Dépôt : https://github.com/OttoyRocky/phantom-brain

Pour la version espagnole, voir README.es.md