Syd

Assistant IA hors ligne pour les tests de pénétration. Collez le résultat de vos outils, posez des questions en anglais simple, obtenez des réponses basées sur vos données réelles. Pas de connexion Internet, pas de clés API, rien ne quitte la machine.

S'exécute entièrement sur CPU. Testé sur du matériel d'ordinateur portable standard.

Ce qu'il prend en charge

• Nmap — exportations XML. Demandez ce qui tourne, ce qui est exposé, quoi regarder en premier.
• BloodHound — JSON de SharpHound. Trouvez les chemins vers DA, les comptes Kerberoastables, les abus ACL, les délégations non contraintes.
• Volatility — Collez la sortie d'un plugin. Interrogez sur les processus suspects, le code injecté, les connexions réseau, les mécanismes de persistance.
• YARA — résultats de scan. Comprenez ce qui a déclenché et pourquoi, associez les correspondances aux techniques d'attaque.
• NetExec — Collez la sortie. Identifiez les gains de mots de passe, les opportunités de relais, les gains rapides.
• PCAP — Analyse de capture de paquets. Demandez ce qui s'est passé, quand, et sur quoi se concentrer.

Prérequis

• Windows 10/11
• 16 Go de RAM minimum (24 Go si vous voulez que ce soit rapide)
• 15 Go d'espace disque libre (le modèle fait ~9,7 Go)
• Python 3.10, 3.11 ou 3.12 (pas 3.13 — llama-cpp-python n'a pas encore de wheels pré-construits pour cela)

Testé sur : AMD Ryzen AI 9 365, 24 Go de RAM. Temps de requête 2 à 5 secondes sur ce matériel. Sur 16 Go, ça fonctionnera mais fermez tout le reste d'abord.

Installation

git clone https://github.com/Sydsec/syd
cd syd
python setup.py
python syd.py

Le setup télécharge automatiquement le modèle (~9,7 Go) et le modèle d'embedding (~90 Mo). Aucun compte HuggingFace requis. Cela prend 20 à 30 minutes selon votre connexion. Une fois terminé, tout s'exécute entièrement hors ligne.

Si vous obtenez des erreurs lors de l'installation de llama-cpp-python, exécutez ceci manuellement avant setup.py :

pip install llama-cpp-python==0.3.16 --force-reinstall --no-cache-dir --config-settings="cmake.args=-DGGML_AVX2=OFF;-DGGML_AVX=OFF;-DGGML_F16C=OFF;-DGGML_FMA=OFF"

Ceci est un problème de compatibilité connu sur certaines configurations Windows. Les flags cmake désactivent AVX2 qui cause des plantages sur certains CPU.

Comment ça fonctionne

Trois étapes. D'abord, votre fichier de scan est analysé de manière déterministe — pas d'IA, regex pure et analyse structurée, donc l'extraction des données est toujours précise. Ensuite, il récupère la documentation technique pertinente à partir d'index FAISS locaux. Troisièmement, Qwen 2.5 14B génère une réponse en utilisant uniquement ces faits vérifiés.

La réponse est ensuite vérifiée par rapport à ce qui était réellement dans votre scan. Si le modèle référence une IP, un processus ou un nom d'hôte qui n'était pas dans vos données, la réponse est bloquée et régénérée. C'est ce qui l'empêche d'halluciner.

Utilisation

Chargez un fichier ou collez la sortie dans l'onglet approprié. Cliquez sur Analyser. Une fois l'analyse terminée, tapez des questions dans la boîte Demander à Syd.

Exemples qui fonctionnent bien :

Nmap: "Quels hôtes ont la signature SMB désactivée ?" / "Montrez-moi tous les services sur des ports non standard" / "Quelle est la surface d'attaque sur 10.0.0.15 ?"

BloodHound: "Quel est le chemin le plus court vers l'administrateur de domaine ?" / "Quels utilisateurs sont Kerberoastables ?" / "Montrez-moi tous les ordinateurs avec délégation non contrainte"

Volatility: "Quel est le processus le plus suspect ?" / "Y a-t-il des processus injectés ?" / "Listez toutes les connexions réseau externes"

Dépannage

"Modèle introuvable" — setup.py ne s'est pas terminé. Vérifiez que le modèle existe à rag_engine/models/qwen2.5-14b-instruct-q5_k_m.gguf et fait environ 9,7 Go. S'il est plus petit, le téléchargement a été interrompu, supprimez-le et relancez setup.py.

Mémoire insuffisante — Fermez votre navigateur et tout ce qui consomme de la RAM. 16 Go est juste, 24 Go est confortable.

Premier lancement lent — Attendu. Le chargement du modèle prend 10 à 20 secondes. Ensuite, les requêtes prennent 2 à 5 secondes.

Erreurs FAISS — Les index sont fournis avec le dépôt. S'ils sont manquants ou corrompus, exécutez python build_all_databases.py.

Entreprise

Enterprise ajoute l'analyse Metasploit et Sliver C2 en plus de tout ce qui se trouve dans ce dépôt.

Si vous menez des engagements red team, vous connaissez le problème — vous ne pouvez pas coller la sortie de session dans ChatGPT à cause des NDAs et des données clients. Enterprise vous offre la même analyse IA, entièrement hors ligne, pour vos sessions MSF et vos beacons Sliver. Demandez ce qui s'est passé, vers quoi pivoter ensuite, ce que signifient les identifiants dans leur contexte.

Contactez-nous : [email protected] ou https://sydsec.co.uk

Vidéos et démos

Tutoriels et démonstrations sur YouTube : https://www.youtube.com/@paularmstrong8306

À regarder avant de vous lancer — montre le flux de travail réel sur des données de pentest réelles.

Modèle

Qwen 2.5 14B Instruct, quantification Q5_K_M. Température 0,05-0,1 pour garder les réponses précises. Pénalité de répétition 2,8-3,2. Fenêtre de contexte 8192 tokens.

Embeddings : all-MiniLM-L6-v2. Stockage vectoriel : FAISS (IndexFlatIP, similarité cosinus).

Paul Armstrong — https://sydsec.co.uk — YouTube: https://www.youtube.com/@paularmstrong8306