Assistant de cybersécurité déconnecté du réseau pour les professionnels de la sécurité. Outil d'analyse 100 % hors ligne propulsé par IA pour Nmap, Volatility, BloodHound, Metasploit, YARA, et plus encore. Conçu pour les environnements où l'IA cloud n'est pas disponible.
Syd est un assistant de test d'intrusion en environnement déconnecté qui analyse les sorties de scan en utilisant des LLM locaux et la génération augmentée par récupération. Il fonctionne entièrement sur votre ordinateur portable sans nécessiter de connexion Internet ni de clés API.
Syd analyse les sorties de scans techniques (Nmap, BloodHound, Volatility) et répond aux questions en langage clair. Au lieu de parcourir manuellement des centaines de pages de résultats, vous pouvez poser des questions spécifiques et obtenir des réponses fondées sur des preuves issues de vos données de scan.
Outils pris en charge :
Principales fonctionnalités :
Syd utilise un pipeline en trois étapes :
L'étape d'extraction de faits utilise des expressions régulières et une analyse structurée (sans LLM). Cela garantit une extraction de données à 100 % précise. Le LLM ne génère que des explications en langage naturel basées sur des faits vérifiés.
La validation vérifie chaque réponse générée par rapport aux faits extraits. Si le LLM mentionne des données absentes de votre scan (PID, adresses IP, noms d'hôtes, etc.), la réponse est rejetée.
Matériel :
Logiciel :
Configuration testée :
Exécutez une commande et tout est géré automatiquement :
python setup.py
Ce script va :
Temps nécessaire : 15-30 minutes (principalement pour le téléchargement)
Aucun compte HuggingFace requis. Les index FAISS sont inclus dans le dépôt.
Si setup.py échoue, installez manuellement :
pip install -r requirements.txt
Téléchargez le modèle depuis HuggingFace :
Lancez Syd :
python syd.py
Voir INSTALL.md pour un dépannage détaillé.
Testé sur des données de pentest réelles :
La couche de validation empêche les hallucinations. Les réponses qui font référence à des données inexistantes sont bloquées.
Syd_V3/
├── syd.py # Application principale
├── nmap_fact_extractor.py # Analyseur Nmap
├── bloodhound_fact_extractor.py # Analyseur BloodHound
├── volatility_fact_extractor.py # Analyseur Volatility
├── bloodhound_analyzer.py # Logique d'analyse BloodHound
├── volatility_analyzer.py # Logique d'analyse Volatility
├── knowledge_bases/ # Documentation technique
│ ├── bloodhound/
│ └── volatility/
├── rag_engine/
│ ├── models/ # Modèles LLM (format GGUF)
│ └── embeddings/ # Index FAISS
└── chunk_and_embed_*.py # Scripts d'indexation de la base de connaissances
LLM : Qwen 2.5 14B (quantification Q5_K_M) Embeddings : all-MiniLM-L6-v2 (sentence-transformers) Base vectorielle : FAISS (optimisé CPU) Interface graphique : tkinter (multi-plateforme)
Température : 0,05-0,1 (faible pour réduire les hallucinations) Pénalité de répétition : 2,8-3,2 (empêcher les boucles) Fenêtre de contexte : 4096-8192 tokens
Conçu pour les scénarios de pentest typiques (10-500 hôtes). Les scans à l'échelle de l'entreprise peuvent nécessiter un découpage.
Modèle introuvable :
rag_engine/models/qwen2.5-14b-instruct-q5_k_m.ggufIndex FAISS introuvable :
python chunk_and_embed_*.pyrag_engine/embeddings/customers/Mémoire insuffisante :
Performances lentes :
Support communautaire :
Support professionnel : Si vous êtes dans un environnement déconnecté et rencontrez des difficultés d'installation, je propose des installations USB préconfigurées pour un petit montant. Tout est inclus et testé.
Contact : [email protected]
Ressources :
Nous sommes particulièrement intéressés par :
Voir CONTRIBUTING.md pour les directives.
Licence MIT – Voir le fichier LICENSE
Construit avec :
Développé et testé sur des données de test d'intrusion réelles.
Auteur : Paul Armstrong (@Sydsec) Site web : https://sydsec.co.uk YouTube : https://www.youtube.com/@paularmstrong8306