HackBot - AI Cybersecurity Chatbot

     _   _            _    ____        _   
    | | | | __ _  ___| | _| __ )  ___ | |_ 
    | |_| |/ _` |/ __| |/ /  _ \ / _ \| __| By: Morpheuslord
    |  _  | (_| | (__|   <| |_) | (_) | |_  AI used: Meta-LLama2
    |_| |_|\__,_|\___|_|\_\____/ \___/ \__|

परिचय

HackBot में आपका स्वागत है, एक AI-संचालित साइबर सुरक्षा चैटबॉट जो आपके साइबर सुरक्षा-संबंधित प्रश्नों के उपयोगी और सटीक उत्तर प्रदान करने के साथ-साथ कोड विश्लेषण और स्कैन विश्लेषण भी करने के लिए डिज़ाइन किया गया है। चाहे आप एक सुरक्षा शोधकर्ता हों, एक एथिकल हैकर हों, या बस साइबर सुरक्षा के बारे में उत्सुक हों, HackBot आपकी आवश्यक जानकारी खोजने में सहायता करने के लिए यहाँ है।

HackBot "LlamaCpp" लाइब्रेरी के माध्यम से शक्तिशाली भाषा मॉडल Meta-LLama2 का उपयोग करता है। यह HackBot को आपके प्रश्नों का सुसंगत और प्रासंगिक तरीके से उत्तर देने की अनुमति देता है। कृपया सुनिश्चित करें कि आप अपने प्रश्न अंग्रेज़ी में रखें और HackBot से सर्वोत्तम परिणाम प्राप्त करने के लिए दिए गए दिशानिर्देशों का पालन करें।

विशेषताएँ

स्थानीय AI / Runpod तैनाती समर्थन: मैंने एक विकल्प जोड़ा है जिसका उपयोग करके आप Hackbot चैट इंटरफ़ेस को आसानी से तैनात कर सकते हैं और llama का उपयोग 2 तरीकों से कर सकते हैं:
- RunPod का उपयोग करके: आप llama के Runpod सर्वरलेस एंडपॉइंट तैनाती का उपयोग कर सकते हैं और .env फ़ाइल के AI_OPTION अनुभाग को बदलकर उन्हें चैटबॉट से जोड़ सकते हैं। Runpod के लिए आपको RUNPOD का उपयोग करना होगा और Local Llama deployment के लिए LOCALLLAMA का। RUNPOD और LOCALLLAMA
- महत्वपूर्ण नोट: llama के Runpod संस्करण के काम करने के लिए, आपको यह सुनिश्चित करना होगा कि RUNPOD ID और आपकी RUNPOD API KEY सेट हैं।
AI साइबर सुरक्षा चैट: HackBot विभिन्न साइबर सुरक्षा-संबंधित प्रश्नों का उत्तर दे सकता है, जिससे पेनिट्रेशन टेस्टिंग, सुरक्षा विश्लेषण और अधिक में मदद मिलती है।
इंटरैक्टिव इंटरफ़ेस: चैटबॉट एक इंटरैक्टिव कमांड-लाइन इंटरफ़ेस प्रदान करता है, जिससे HackBot के साथ बातचीत करना आसान हो जाता है।
स्पष्ट आउटपुट: HackBot अपने उत्तरों को एक अच्छी तरह से स्वरूपित मार्कडाउन में प्रस्तुत करता है, जो आसानी से पढ़ने योग्य और व्यवस्थित उत्तर प्रदान करता है।
स्टैटिक कोड विश्लेषण: स्टैटिक कोड विश्लेषण करने के लिए प्रदान किए गए स्कैन डेटा या लॉग फ़ाइल का उपयोग करता है। यह स्रोत कोड को निष्पादित किए बिना गहनता से जांचता है, संभावित कमजोरियों, कोडिंग त्रुटियों और सुरक्षा मुद्दों की पहचान करता है।
कमजोरी विश्लेषण: प्रदान किए गए स्कैन डेटा या लॉग फ़ाइल का उपयोग करके एक व्यापक कमजोरी विश्लेषण करता है। यह लक्ष्य प्रणाली या नेटवर्क में मौजूद सुरक्षा कमजोरियों, गलत कॉन्फ़िगरेशन और संभावित शोषण की पहचान और मूल्यांकन करता है।

यह कैसा दिखता है

Llama का उपयोग करते हुए

LLama2 का उपयोग करना सबसे अच्छे ऑफ़लाइन और मुफ्त विकल्पों में से एक है। यह वर्तमान में सुधार के अधीन है, मैं एक प्रॉम्प्ट पर काम कर रहा हूँ जो AI में साइबर सुरक्षा परिप्रेक्ष्य को बेहतर ढंग से शामिल करेगा। मुझे @thisserand और उनके llama2_local रेपो के साथ-साथ उनके YT वीडियो YT_Video का धन्यवाद करना है। वे बेहतरीन संसाधन थे। सच कहूँ तो, llama2 कोड 95% उनका है, मैंने बस कोड लिया और उसमें Flask API कार्यक्षमता जोड़ दी।

AI की सटीकता ऑफ़लाइन और कोड के परीक्षणों के बाहर बहुत अच्छी थी और openai या bard के बराबर थी, लेकिन कोड में रहते हुए इसे कुछ समस्याओं का सामना करना पड़ रहा था, हो सकता है कि प्रॉम्प्टिंग और अन्य चीजों के कारण। मैं इसे ठीक करने का प्रयास करूँगा। गति आपके सिस्टम और आपके पास GPU और CPU कॉन्फ़िगरेशन पर निर्भर करती है। वर्तमान में, यह TheBloke/Llama-2-7B-Chat-GGML मॉडल का उपयोग कर रहा है और इसे portscanner और dnsrecon फ़ाइलों के माध्यम से बदला जा सकता है।

अभी के लिए, llama कोड और स्कैन को अलग-अलग तरीके से संभाला जाता है। कुछ परीक्षणों के बाद, मैंने पाया कि llama को उस तरह से काम करने के लिए थोड़ा प्रशिक्षित करने की आवश्यकता है जैसा मैंने चाहा था, इसलिए इसे कुछ समय चाहिए। इस पर कोई सुझाव जो मैं कैसे कर सकता हूँ, उसे इस रेपो की चर्चाओं में जोड़ा जा सकता है चर्चा लिंक। अभी के लिए, आउटपुट सभी डेटा की एक विभाजित सूची नहीं होगी, बल्कि AI द्वारा खोजी गई कमजोरी या समस्या का एक स्पष्टीकरण होगा।

मॉडल उपयोग के लिए प्रॉम्प्ट इस तरह दिखता है:

[INST] <<SYS>> {user_instruction}<</SYS>> NMAP Data to be analyzed: {user_message} [/INST]

निर्देश इस तरह दिखते हैं:

    Do a NMAP scan analysis on the provided NMAP scan information. The NMAP output must return in a asked format accorging to the provided output format. The data must be accurate in regards towards a pentest report.
    The data must follow the following rules:
    1) The NMAP scans must be done from a pentester point of view
    2) The final output must be minimal according to the format given.
    3) The final output must be kept to a minimal.
    4) If a value not found in the scan just mention an empty string.
    5) Analyze everything even the smallest of data.
    6) Completely analyze the data provided and give a confirm answer using the output format.
    7) mention all the data you found in the output format provided so that regex can be used on it.
    8) avoid unnecessary explaination.
    9) the critical score must be calculated based on the CVE if present or by the nature of the services open
    10) the os information must contain the OS used my the target.
    11) the open ports must include all the open ports listed in the data[tcp] and varifying if it by checking its states value.  you should not negect even one open port.
    12) the vulnerable services can be determined via speculation of the service nature or by analyzing the CVE's found.
    The output format:
        critical score:
        - Give info on the criticality
        "os information":
        - List out the OS information
        "open ports and services":
        - List open ports
        - List open ports services
        "vulnerable service":
        - Based on CVEs or nature of the ports opened list the vulnerable services
        "found cve":
        - List the CVE's found and list the main issues.

निर्देश सेट और प्रॉम्प्ट के माध्यम से प्रदान किए गए डेटा का उपयोग करके, llama AI अपना आउटपुट उत्पन्न करता है।

अधिकांश उपयोग के लिए, मेरा सुझाव है कि आप llama का एक runpod सर्वरलेस एंडपॉइंट तैनाती बनाएं, आप इस ट्यूटोरियल का संदर्भ ले सकते हैं ट्यूटोरियल। बेहतर उपयोग के लिए ट्यूटोरियल का पालन करें।

चैट:

HackBot_chat

स्टैटिक कोड विश्लेषण:

code_analysis

कमजोरी विश्लेषण:

vuln_analysis

स्थापना

पूर्वापेक्षाएँ

स्थापना के साथ आगे बढ़ने से पहले, सुनिश्चित करें कि आपके पास निम्नलिखित पूर्वापेक्षाएँ हैं:

Python (3.11 या बाद का संस्करण)
pip3 पैकेज मैनेजर
Visual studio Code - इस लिंक में दिए गए चरणों का पालन करें llama-cpp-prereq-install-instructions
cmake

चरण 1: रिपॉजिटरी को क्लोन करें

git clone https://github.com/morpheuslord/hackbot.git
cd hackbot

चरण 2: निर्भरताएँ स्थापित करें

pip3 install -r requirements.txt

चरण 3: AI मॉडल डाउनलोड करें

python3 hackbot.py

पहली बार जब आप HackBot चलाएंगे, तो यह चैटबॉट के लिए आवश्यक AI मॉडल की जाँच करेगा। यदि मॉडल मौजूद नहीं है, तो यह स्वचालित रूप से डाउनलोड हो जाएगा और प्रोजेक्ट डायरेक्टरी में "llama-2-7b-chat.ggmlv3.q4_0.bin" के रूप में सहेजा जाएगा।

उपयोग

HackBot के साथ बातचीत शुरू करने के लिए, निम्नलिखित कमांड चलाएँ:

स्थानीय LLama उपयोगकर्ताओं के लिए

.env फ़ाइल इस तरह दिखनी चाहिए:

RUNPOD_ENDPOINT_ID = ""
RUNPOD_API_KEY = ""
AI_OPTION = "LLAMALOCAL"

यह हो जाने के बाद, यह चलाएँ।

python hackbot.py

RunPod LLama उपयोगकर्ताओं के लिए

.env फ़ाइल इस तरह दिखनी चाहिए:

RUNPOD_ENDPOINT_ID = "<<SERVERLESS ENDPOINT ID>>"
RUNPOD_API_KEY = "<<RUNPOD API KEY>>"
AI_OPTION = "RUNPOD"

यह हो जाने के बाद, यह चलाएँ।

python3 hackbot.py

HackBot एक बैनर प्रदर्शित करेगा और आपके इनपुट की प्रतीक्षा करेगा। आप साइबर सुरक्षा-संबंधित प्रश्न पूछ सकते हैं, और HackBot जानकारीपूर्ण उत्तरों के साथ जवाब देगा। चैट से बाहर निकलने के लिए, बस इनपुट प्रॉम्प्ट में "quit_bot" टाइप करें।

यहाँ कुछ अतिरिक्त कमांड दिए गए हैं जिनका आप उपयोग कर सकते हैं:

clear_screen: बेहतर पठनीयता के लिए कंसोल स्क्रीन साफ़ करता है।
quit_bot: इसका उपयोग चैट एप्लिकेशन से बाहर निकलने के लिए किया जाता है।
bot_banner: डिफ़ॉल्ट बॉट का बैनर प्रिंट करता है।
contact_dev: मेरी संपर्क जानकारी प्रदान करता है।
save_chat: वर्तमान सत्र की बातचीत को सहेजता है।
vuln_analysis: स्कैन डेटा या लॉग फ़ाइल का उपयोग करके एक कमजोरी विश्लेषण करता है।
static_code_analysis: स्कैन डेटा या लॉग फ़ाइल का उपयोग करके एक स्टैटिक कोड विश्लेषण करता है।

नोट: मैं अधिक ऐड-ऑन और ऐसे ही और कमांड पर काम कर रहा हूँ ताकि अधिक chatGPT जैसा अनुभव दिया जा सके।

कृपया ध्यान दें: HackBot के उत्तर Meta-LLama2 AI मॉडल पर आधारित हैं, और इसकी सटीकता उसे प्रदान किए गए प्रश्नों और डेटा की गुणवत्ता पर निर्भर करती है।

मैं AI प्रशिक्षण पर भी काम कर रहा हूँ जिसके द्वारा मैं इसे सिखा सकता हूँ कि हैकर्स के लिए अधिक पेशेवर स्तर पर काम करने के लिए इसे अधिक सटीक रूप से कैसे ट्यून किया जाए।

योगदान

HackBot की कार्यक्षमता और सटीकता में सुधार के लिए हम योगदान का स्वागत करते हैं। यदि आपको कोई समस्या आती है या सुधार के लिए सुझाव हैं, तो कृपया बेझिझक एक issue खोलें या एक pull request सबमिट करें। योगदान करने के लिए इन चरणों का पालन करें:

रिपॉजिटरी को fork करें।
एक वर्णनात्मक नाम के साथ एक नई शाखा बनाएँ।
अपने परिवर्तन करें और उन्हें commit करें।
अपने परिवर्तनों को अपने forked रिपॉजिटरी में push करें।
इस रिपॉजिटरी की main शाखा के लिए एक pull request खोलें।

कृपया एक साफ commit इतिहास बनाए रखें और परियोजना के कोडिंग दिशानिर्देशों का पालन करें।

AI प्रशिक्षण

यदि कोई टेक्स्ट जनरेशन मॉडल को प्रशिक्षित करने का ज्ञान रखता है, तो वह कोड को बेहतर बनाने में मदद कर सकता है। AI प्रशिक्षण भाग के लिए, मैंने एक डेटासेट और प्रशिक्षण के लिए एक कार्यशील कोड तैयार किया है, लेकिन मुझे प्रशिक्षण भाग में समस्याओं का सामना करना पड़ रहा है और उस पर सहयोग की सराहना की जाएगी। आप डेटासेट देख सकते हैं:

डेटासेट का GitHub संस्करण OpenAI प्रशिक्षण के लिए है और दूसरा मेटा के Llama2-7b के लिए है। डेटासेट का उद्देश्य CVE डेटा के साथ बेहतर काम करने में सक्षम एक AI मॉडल उत्पन्न करने का प्रयास करना और संभवतः उत्पन्न करना है। यदि आपको लगता है कि डेटासेट में कमी है, तो बेझिझक संशोधित करें और अपने विचार साझा करें।

संपर्क

HackBot से संबंधित किसी भी प्रश्न, प्रतिक्रिया या पूछताछ के लिए, परियोजना अनुरक्षक से संपर्क करने में संकोच न करें:

ईमेल: [email protected]
ट्विटर: @morpheuslord2
लिंक्डइन: ChiranjeeviG

HackBot

सबसे लोकप्रिय