Skip to content
KitploitKITPLOIT
उपकरणब्लॉग
जमा करें
उपकरणब्लॉग
जमा करें

हैकिंग, पेनटेस्ट और साइबर सुरक्षा उपकरण आपके सुरक्षा शस्त्रागार के लिए!

Kitploit हैकिंग, साइबर सुरक्षा और पेंटेस्टिंग टूल्स की एक निर्देशिका है। कमजोरियों को खोजने, सिस्टम का विश्लेषण करने, परीक्षण को स्वचालित करने और अपनी सुरक्षा को मजबूत करने के लिए नवीनतम प्रोजेक्ट अपडेट खोजें।

··फ़ीड·संपर्क·गोपनीयता·© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
attackgen — AttackGen एक साइबर सुरक्षा घटना प्रतिक्रिया परीक्षण उपकरण है जो बड़े भाषा मॉडल और व्यापक MITRE ATT&CK फ्रेमवर्क की शक्ति का उपयोग करता है। यह उपकरण उपयोगकर्ता द्वारा चयनित खतरे वाले अभिनेता समूहों और आपके संगठन के विवरण के आधार पर अनुकूलित घटना प्रतिक्रिया परिदृश्य उत्पन्न करता है। | Kitploit
उपकरण/GitHubGitHub/mrwadams/attackgen
CTFपेनिट्रेशन टेस्टिंगखतरा खुफियालर्निंग और शिक्षारेड टीमिंगघटना प्रतिक्रियाAI सुरक्षालैब और अभ्यास
GitHubmrwadams/attackgen

attackgen

रिपॉजिटरी देखें
1.2k167101 दिन पहलेKitploit द्वारा समीक्षित

सबसे लोकप्रिय

सभी देखें →

हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →

विवरण

AttackGen एक साइबर सुरक्षा घटना प्रतिक्रिया परीक्षण उपकरण है जो बड़े भाषा मॉडल और व्यापक MITRE ATT&CK फ्रेमवर्क की शक्ति का उपयोग करता है। यह उपकरण उपयोगकर्ता द्वारा चयनित खतरे वाले अभिनेता समूहों और आपके संगठन के विवरण के आधार पर अनुकूलित घटना प्रतिक्रिया परिदृश्य उत्पन्न करता है।

साझा करें

AttackGen

AttackGen एक साइबर सुरक्षा घटना प्रतिक्रिया परीक्षण उपकरण है जो बड़े भाषा मॉडलों की शक्ति और व्यापक MITRE ATT&CK और ATLAS फ्रेमवर्क का लाभ उठाता है। यह उपकरण उपयोगकर्ता द्वारा चयनित खतरे वाले अभिनेता समूहों, AI हमले के केस स्टडीज़, और आपके संगठन के विवरण के आधार पर अनुकूलित घटना प्रतिक्रिया परिदृश्य उत्पन्न करता है।

विषय-सूची

  • रिपॉजिटरी को स्टार करें
  • विशेषताएँ
  • रिलीज़
  • आवश्यकताएँ
  • स्थापना
  • LangSmith सेटअप
  • डेटा सेटअप
  • AttackGen चलाना
  • MCP सर्वर
  • एजेंट कौशल
  • उपयोग
  • सुरक्षा सर्वोत्तम अभ्यास
  • योगदान
  • लाइसेंस

रिपॉजिटरी को स्टार करें

यदि आपको AttackGen उपयोगी लगता है, तो कृपया GitHub पर रिपॉजिटरी को स्टार करने पर विचार करें। इससे अधिक लोगों को इस उपकरण को खोजने में मदद मिलती है। आपका समर्थन अत्यधिक सराहनीय है! ⭐

विशेषताएँ

  • चयनित खतरे वाले अभिनेता समूहों या ATLAS केस स्टडीज़ के आधार पर अद्वितीय घटना प्रतिक्रिया परिदृश्य उत्पन्न करता है।
  • अनुकूलित परिदृश्य के लिए आपके संगठन के आकार और उद्योग को निर्दिष्ट करने की अनुमति देता है।
  • MITRE ATT&CK Enterprise, ICS (औद्योगिक नियंत्रण प्रणाली), और ATLAS (AI प्रणालियों के लिए प्रतिकूल खतरा परिदृश्य) फ्रेमवर्क का समर्थन करता है।
  • चयनित खतरे वाले अभिनेता समूह या केस स्टडी द्वारा उपयोग की जाने वाली तकनीकों की विस्तृत सूची प्रदर्शित करता है।
  • ATT&CK या ATLAS तकनीकों के चयन के आधार पर कस्टम परिदृश्य बनाएं।
  • सामान्य प्रकार के साइबर घटनाओं, जिसमें AI/ML-विशिष्ट हमले के पैटर्न शामिल हैं, के आधार पर कस्टम परिदृश्यों को शीघ्रता से उत्पन्न करने के लिए परिदृश्य टेम्पलेट का उपयोग करें।
  • AI आंतरिक खतरा परिदृश्य उत्पन्न करें - घटना प्रतिक्रिया अभ्यास जिसमें आपके संगठन के अंदर तैनात एक सीमांत AI एजेंट आंतरिक खतरे के रूप में व्यवहार करता है, Actions Speak Louder Than Tokens: An Insider Threat Model for Frontier AI Agents से खतरे के मॉडल पर आधारित। परिदृश्य एजेंट की तैनाती आर्किटाइप (स्वायत्तता स्तर), खतरे की श्रेणी, STRIDE खतरों, और एक वैकल्पिक मुक्त-पाठ परिदृश्य बीज द्वारा आकार दिए जाते हैं।
  • AttackGen सहायक - उत्पन्न परिदृश्यों को अद्यतन करने और/या उनके बारे में प्रश्न पूछने के लिए एक चैट इंटरफ़ेस।
  • उत्पन्न परिदृश्यों की गुणवत्ता पर उपयोगकर्ता प्रतिक्रिया कैप्चर करें।
  • Markdown प्रारूप में डाउनलोड करने योग्य परिदृश्य।
  • घटना प्रतिक्रिया परिदृश्य उत्पन्न करने के लिए OpenAI API, Anthropic API (Claude मॉडल), Google AI API, Mistral API, Groq API, या किसी भी कस्टम OpenAI-संगत एंडपॉइंट (Ollama, LM Studio, Azure OpenAI, OpenRouter, आदि) का उपयोग करें। सभी प्रदाताओं को LiteLLM के माध्यम से एक एकल आंतरिक रैपर के पीछे रूट किया जाता है, इसलिए एक नया मॉडल जोड़ना एक-पंक्ति परिवर्तन है।
  • आसान तैनाती के लिए Docker कंटेनर छवि के रूप में उपलब्ध।
  • मॉडल प्रदर्शन की शक्तिशाली डिबगिंग, परीक्षण और निगरानी के लिए LangSmith के साथ वैकल्पिक एकीकरण।
  • API कुंजियों और रहस्यों के लिए .env फ़ाइल का उपयोग करके सुरक्षित क्रेडेंशियल प्रबंधन।

AttackGen स्क्रीनशॉट

रिलीज़

v0.16

पिछली रिलीज़ (v0.15 और पुरानी)

v0.15

आवश्यकताएँ

  • Python का हालिया संस्करण।
  • Python पैकेज: streamlit, litellm, mitreattack-python, pandas (पूरी सूची के लिए requirements.txt देखें)।
  • OpenAI API कुंजी (या आपके चुने हुए मॉडल प्रदाता के लिए API कुंजी)।
  • LangChain API कुंजी (वैकल्पिक) - अधिक विवरण के लिए नीचे LangSmith सेटअप अनुभाग देखें।
  • MITRE ATT&CK और ATLAS डेटा फ़ाइलें। ये रिपॉजिटरी के साथ (./data/ में) शामिल हैं, इसलिए कोई मैन्युअल डाउनलोड आवश्यक नहीं है (देखें डेटा सेटअप)।
  • API कुंजियों और रहस्यों को संग्रहीत करने के लिए .env फ़ाइल (विवरण के लिए स्थापना अनुभाग देखें)।

स्थापना

विकल्प 1: रिपॉजिटरी को क्लोन करना

  1. इस रिपॉजिटरी को क्लोन करें:``` git clone https://github.com/mrwadams/attackgen.git
root@kitploit:~
2. क्लोन किए गए रिपॉजिटरी में डायरेक्टरी बदलें:```
cd attackgen
  1. आवश्यक Python पैकेज इंस्टॉल करें:``` pip install -r requirements.txt
root@kitploit:~
### विकल्प 2: Docker का उपयोग करना

1. Docker Hub से Docker कंटेनर इमेज पुल करें:```
docker pull mrwadams/attackgen

LangSmith सेटअप

यदि आप मॉडल प्रदर्शन की डिबगिंग, परीक्षण और निगरानी के लिए LangSmith का उपयोग करना चाहते हैं, तो आपको एक LangSmith खाता सेट करना होगा और एक .streamlit/secrets.toml फ़ाइल बनानी होगी जिसमें आपकी LangChain API कुंजी हो। अपना खाता सेट करने और अपनी API कुंजी प्राप्त करने के लिए कृपया यहाँ दिए गए निर्देशों का पालन करें। आपको .streamlit/ निर्देशिका में एक secrets.toml-example फ़ाइल मिलेगी जिसे आप अपनी स्वयं की secrets.toml फ़ाइल के लिए टेम्पलेट के रूप में उपयोग कर सकते हैं।

यदि आप LangSmith का उपयोग नहीं करना चाहते हैं, तो भी आपके पास .streamlit/secrets.toml फ़ाइल मौजूद होनी चाहिए, लेकिन आप LANGCHAIN_API_KEY फ़ील्ड को खाली छोड़ सकते हैं।

डेटा सेटअप

AttackGen के लिए आवश्यक MITRE ATT&CK (Enterprise + ICS) और ATLAS डेटासेट रिपॉजिटरी में ./data/ के अंतर्गत प्रतिबद्ध हैं, इसलिए एक नया क्लोन बिना किसी अतिरिक्त डाउनलोड चरण के चलाने के लिए तैयार है। इनमें enterprise-attack.json, ics-attack.json, stix-atlas.json, groups.json, groups_ics.json, और atlas-case-studies.json शामिल हैं।

यदि आप उन्हें नवीनतम अपस्ट्रीम रिलीज़ में ताज़ा करना चाहते हैं, तो आप MITRE ATT&CK STIX डेटा रिपॉजिटरी (और ATLAS डेटा रिपॉजिटरी) से STIX बंडलों को फिर से डाउनलोड कर सकते हैं और ./data/ में फ़ाइलों को बदल सकते हैं।

AttackGen चलाना

डेटा सेटअप के बाद, आप निम्न कमांड के साथ AttackGen चला सकते हैं:``` streamlit run 00_👋_Welcome.py

root@kitploit:~
आप [Streamlit Community Cloud](https://attackgen.streamlit.app/) पर भी ऐप आज़मा सकते हैं।

## MCP सर्वर

AttackGen एक [MCP](https://modelcontextprotocol.io/) सर्वर के साथ आता है ताकि एजेंटिक वर्कफ़्लो (Claude Code, Claude Desktop, Cursor, और अन्य MCP क्लाइंट) Streamlit UI के बिना सीनारियो जनरेशन चला सकें। यह **टूल्स के दो स्तर** उजागर करता है:

- **डेटा टूल्स — कोई API key नहीं, कोई LLM कॉल नहीं।** ये AttackGen के MITRE डेटा को सतह पर लाते हैं: थ्रेट ग्रुप / ATLAS केस स्टडीज़ की सूची बनाएं, किसी ग्रुप की किल चेन हल करें, पर्पल-टीम Detection & Response रिपोर्ट बनाएं, ATT&CK Navigator लेयर उत्पन्न करें, और AI इनसाइडर-थ्रेट विकल्पों की सूची दें। `list_ai_insider_options` प्रत्येक क्विक-स्टार्ट टेम्पलेट को उन चयनों और नैरेटिव ब्रीफ़ के साथ लौटाता है जिन्हें यह लागू करता है, ताकि `get_ai_insider_prompt` / `generate_ai_insider_scenario` को केवल `template=` के साथ आपके उद्योग और कंपनी के आकार के साथ कॉल किया जा सके। जहाँ उपयोगी हो, वे एक रेडी-टू-रन प्रॉम्प्ट भी लौटाते हैं, ताकि **आपके क्लाइंट का अपना मॉडल** सीनारियो लिख सके — यानी ये तब भी काम करते हैं जब आपके पास कोई अलग प्रोवाइडर API key न हो। यह वह सतह है जिसे HTTP पर होस्ट करना सुरक्षित है।
- **जनरेट टूल्स — अपनी खुद की key लाएँ।** `generate_threat_group_scenario`, `generate_custom_scenario` और `generate_ai_insider_scenario` सर्वर-साइड एक LLM को कॉल करते हैं और एक तैयार Markdown सीनारियो लौटाते हैं। प्रोवाइडर, मॉडल और key प्रति कॉल प्रदान किए जाते हैं; यदि आप `api_key` छोड़ देते हैं, तो LiteLLM मिलान वाले पर्यावरण चर (`OPENAI_API_KEY`, `ANTHROPIC_API_KEY`, …) पर वापस आ जाता है — यानी **आपकी अपनी** key। क्योंकि ये प्रक्रिया पर्यावरण से क्रेडेंशियल पढ़ते हैं, इन्हें **स्थानीय stdio** पर रखें और साझा होस्ट पर उजागर न करें।

### इंस्टॉल और चलाएँ

`mcp` निर्भरता `requirements.txt` में शामिल है। प्रोजेक्ट इंस्टॉल करें (एक एडिटेबल इंस्टॉल आपको `attackgen-mcp` कंसोल स्क्रिप्ट भी देता है):```
pip install -r requirements.txt
# optional, for the console script:
pip install -e .

सर्वर लॉन्च करें (stdio):``` python -m mcp_server # or: attackgen-mcp

root@kitploit:~
### इसे किसी क्लाइंट में जोड़ें

**Claude Code:**```
claude mcp add attackgen -- python -m mcp_server

Claude Desktop (claude_desktop_config.json) — कुंजियाँ env में जाती हैं:```json { "mcpServers": { "attackgen": { "command": "python", "args": ["-m", "mcp_server"], "cwd": "/absolute/path/to/attackgen", "env": { "OPENAI_API_KEY": "sk-...", "ANTHROPIC_API_KEY": "sk-ant-..." } } } }

root@kitploit:~
आप `env` में `ATTACKGEN_PROVIDER` और `ATTACKGEN_MODEL` सेट कर सकते हैं ताकि generate टूल्स को एक डिफ़ॉल्ट provider/model मिल सके और कॉल करने वालों को हर बार उन्हें पास न करना पड़े। भारी MITRE बंडल पहले data-tool कॉल पर lazily लोड होते हैं, इसलिए सर्वर तुरंत शुरू हो जाता है।

## Agent Skills

MCP सर्वर के साथ एक **[Agent Skill](https://github.com/mrwadams/attackgen/blob/main/skills)** जोड़ा गया है, `attackgen-tabletop`, जो AttackGen के डेटा को facilitator-तैयार incident response tabletop में बदल देता है।

किसी threat group या ATLAS case study को देखते हुए, यह skill एक पूर्ण tabletop / Master Scenario Events List (MSEL) तैयार करता है — scenario narrative, phase-mapped kill chain, timestamped injects, NIST SP 800-61 discussion questions, और एक detection-coverage scorecard — Markdown या एक self-contained, print-friendly HTML रिपोर्ट के रूप में।

यह **AI insider-threat** पथ को भी कवर करता है: जब adversary संगठन के अंदर तैनात एक frontier AI agent होता है, तो skill kill chain के बजाय `list_ai_insider_options` और `get_ai_insider_prompt` से काम करता है। अभ्यास का आकार वही छह-खंडों वाला रहता है, लेकिन इसकी रीढ़ STRIDE threat scope और deployment archetype होती है, इसका detection scorecard उस archetype की detection posture के आधार पर आंका जाता है, और एक template के `required_decisions` अनिवार्य discussion questions बन जाते हैं।

काम का विभाजन जानबूझकर किया गया है: MCP **data tools** तथ्य प्रदान करते हैं (हर technique या STRIDE ID एक tool result से जुड़ा होता है) और skill अभ्यास की कारीगरी प्रदान करता है, इसलिए यह आपके क्लाइंट के अपने मॉडल पर **बिना किसी अतिरिक्त API key** के चलता है। MCP सर्वर (ऊपर) कनेक्ट करें, फिर एक skill-aware क्लाइंट जैसे Claude Code या Claude Desktop को [`skills/`](https://github.com/mrwadams/attackgen/blob/main/skills) निर्देशिका की ओर इंगित करें। प्रति-क्लाइंट इंस्टॉल स्थानों और विवरणों के लिए [`skills/README.md`](https://github.com/mrwadams/attackgen/blob/main/skills/README.md) देखें।

## Usage

### AttackGen चलाना

#### विकल्प 1: Streamlit ऐप को स्थानीय रूप से चलाना
1. Streamlit ऐप चलाएँ:```
streamlit run 00_👋_Welcome.py
  1. अपना वेब ब्राउज़र खोलें और Streamlit द्वारा प्रदान किए गए URL पर जाएँ।
  2. मानक या कस्टम घटना प्रतिक्रिया परिदृश्य उत्पन्न करने के लिए ऐप का उपयोग करें (विवरण के लिए नीचे देखें)।

विकल्प 2: Docker कंटेनर इमेज का उपयोग करना

  1. Docker कंटेनर चलाएँ:``` docker run -p 8501:8501 mrwadams/attackgen
root@kitploit:~
यह कमांड कंटेनर शुरू करेगा और कंटेनर से आपके होस्ट मशीन पर पोर्ट 8501 (Streamlit ऐप्स के लिए डिफ़ॉल्ट) मैप करेगा।
2. अपना वेब ब्राउज़र खोलें और `http://localhost:8501` पर जाएँ।
3. ऐप का उपयोग करके मानक या कस्टम घटना प्रतिक्रिया परिदृश्य उत्पन्न करें (विवरण के लिए नीचे देखें)।

### परिदृश्य उत्पन्न करना

#### मानक परिदृश्य निर्माण
1. चुनें कि OpenAI API, Anthropic API, Google AI API, Mistral API, Groq API, या कस्टम OpenAI-संगत एंडपॉइंट (Ollama, LM Studio, Azure OpenAI deployments, OpenRouter, आदि के लिए) का उपयोग करना है।
2. चुने गए प्रदाता के लिए अपनी API कुंजी दर्ज करें। कस्टम प्रदाता के लिए, बेस URL और मॉडल नाम भी दर्ज करें।
3. ड्रॉपडाउन से अपना पसंदीदा मॉडल चुनें।
4. ड्रॉपडाउन मेनू से अपने संगठन का उद्योग और आकार चुनें।
5. `Threat Group Scenarios` पृष्ठ पर नेविगेट करें।
6. उस Threat Actor Group का चयन करें जिसे आप सिम्युलेट करना चाहते हैं।
7. घटना प्रतिक्रिया परिदृश्य बनाने के लिए 'Generate Scenario' पर क्लिक करें।
8. उत्पन्न परिदृश्य की गुणवत्ता पर प्रतिक्रिया देने के लिए 👍 या 👎 बटन का उपयोग करें। नोट: फीडबैक बटन केवल तभी दिखाई देते हैं जब `.streamlit/secrets.toml` फ़ाइल में LANGCHAIN_API_KEY के लिए कोई मान सेट किया गया हो।

#### कस्टम परिदृश्य निर्माण
1. चुनें कि OpenAI API, Anthropic API, Google AI API, Mistral API, Groq API, या कस्टम OpenAI-संगत एंडपॉइंट का उपयोग करना है।
2. चुने गए प्रदाता के लिए अपनी API कुंजी दर्ज करें। कस्टम प्रदाता के लिए, बेस URL और मॉडल नाम भी दर्ज करें।
3. ड्रॉपडाउन से अपना पसंदीदा मॉडल चुनें।
4. ड्रॉपडाउन मेनू से अपने संगठन का उद्योग और आकार चुनें।
5. `Custom Scenario` पृष्ठ पर नेविगेट करें।
6. अपने परिदृश्य से संबंधित ATT&CK तकनीकों को खोजने और चुनने के लिए मल्टी-सेलेक्ट बॉक्स का उपयोग करें।
7. चयनित तकनीकों के आधार पर अपना कस्टम घटना प्रतिक्रिया परीक्षण परिदृश्य बनाने के लिए 'Generate Scenario' पर क्लिक करें।
8. उत्पन्न परिदृश्य की गुणवत्ता पर प्रतिक्रिया देने के लिए 👍 या 👎 बटन का उपयोग करें। नोट: फीडबैक बटन केवल तभी दिखाई देते हैं जब `.streamlit/secrets.toml` फ़ाइल में LANGCHAIN_API_KEY के लिए कोई मान सेट किया गया हो।

#### AI Insider Threat परिदृश्य निर्माण
1. अपना मॉडल प्रदाता चुनें और संबंधित API कुंजी दर्ज करें (Azure OpenAI deployments या स्थानीय मॉडल के लिए कस्टम प्रदाता का उपयोग करें)।
2. ड्रॉपडाउन से अपना पसंदीदा मॉडल चुनें।
3. ड्रॉपडाउन मेनू से अपने संगठन का उद्योग और आकार चुनें।
4. `AI Insider Threat Scenarios` पृष्ठ पर नेविगेट करें।
5. (वैकल्पिक) सामान्य परिदृश्य के लिए deployment archetype, threat categories और STRIDE threats को पहले से भरने हेतु कोई टेम्पलेट चुनें।
6. वह **deployment archetype** चुनें जो दर्शाता है कि AI एजेंट आपके संगठन के अंदर कितनी स्वायत्तता से काम करता है (जैसे पर्यवेक्षित सहायक, स्वायत्त एजेंट, पूर्णतः स्वायत्त फ्लीट)। यह एजेंट के खतरे की सतह का प्राथमिक चालक है।
7. एक या अधिक **threat categories** चुनें (Credential Compromise, Supply Chain Sabotage, Data Exfiltration, Infrastructure Sabotage, Deception & Evasion)।
8. (वैकल्पिक) परिदृश्य को विशिष्ट **STRIDE threats** तक सीमित करें। यदि खाली छोड़ दिया जाता है, तो आपके चयनित श्रेणियों से जुड़े STRIDE threats स्वचालित रूप से उपयोग किए जाते हैं। ये अंतर्निहित पेपर के 23 STRIDE threats हैं।
9. (वैकल्पिक) प्रॉम्प्ट में हाइलाइट की गई **frontier agent capabilities** समायोजित करें।
10. 'Generate Scenario' पर क्लिक करें। आउटपुट में STRIDE पहचानकर्ताओं से मैप किया गया हमला विवरण, पहचान के अवसर, और NIST CSF के अनुरूप अनुशंसित नियंत्रण शामिल हैं।
11. प्रतिक्रिया देने के लिए 👍 या 👎 बटन का उपयोग करें (LANGCHAIN_API_KEY आवश्यक है)।

इस पृष्ठ के पीछे का खतरा मॉडल [*Actions Speak Louder Than Tokens: An Insider Threat Model for Frontier AI Agents*](https://ai-insider-threat.matt-adams.co.uk) में वर्णित है।

कृपया ध्यान दें कि परिदृश्य उत्पन्न करने में लगभग एक मिनट लग सकता है। एक बार परिदृश्य उत्पन्न हो जाने पर, आप इसे ऐप पर देख सकते हैं और इसे Markdown फ़ाइल के रूप में डाउनलोड भी कर सकते हैं।

## सुरक्षा सर्वोत्तम अभ्यास

AttackGen स्थानीय, एकल-उपयोगकर्ता परिनियोजन के लिए डिज़ाइन किया गया है। टूल का उपयोग करते समय:

### अपनी API कुंजियों की सुरक्षा

**आपकी API कुंजियाँ संवेदनशील क्रेडेंशियल हैं जो आपके खाते पर शुल्क लगा सकती हैं।**

✅ **करें:**
- UI के माध्यम से API कुंजियाँ दर्ज करें (वे आपके ब्राउज़र सत्र में रहती हैं)
- अपनी व्यक्तिगत मशीन पर सुविधा के लिए .env फ़ाइल का उपयोग करें
- अपने LLM प्रदाता डैशबोर्ड में खर्च सीमाएँ निर्धारित करें
- नियमित रूप से अपने API उपयोग और लागतों की समीक्षा करें
- साझा कंप्यूटरों पर उपयोग करते समय सत्र साफ़ करें

❌ **न करें:**
- .env फ़ाइलों को संस्करण नियंत्रण में कमिट न करें (पहले से .gitignore में हैं)
- API कुंजियाँ दिखाने वाले स्क्रीनशॉट साझा न करें
- अविश्वसनीय/समझौता किए गए सिस्टम पर AttackGen न चलाएँ
- अपनी API कुंजियाँ दूसरों के साथ साझा न करें
- अप्रत्याशित API शुल्कों को अनदेखा न करें

### डेटा गोपनीयता संबंधी विचार

जब आप परिदृश्य उत्पन्न करते हैं, तो AttackGen आपके चुने हुए LLM प्रदाता को डेटा भेजता है:
- संगठन विवरण (उद्योग, कंपनी का आकार)
- चयनित ATT&CK तकनीकें
- कस्टम इनपुट टेक्स्ट
- उत्पन्न परिदृश्य (AttackGen Assistant के माध्यम से)

**इसका क्या अर्थ है:**
- OpenAI, Anthropic, आदि अपनी गोपनीयता नीतियों के अनुसार इस डेटा को लॉग कर सकते हैं
- प्रदर्शनों के लिए सामान्य/काल्पनिक संगठन विवरण का उपयोग करने पर विचार करें
- अपने LLM प्रदाता की डेटा प्रतिधारण और गोपनीयता नीतियों की समीक्षा करें
- संवेदनशील उपयोग के मामलों के लिए, सख्त गोपनीयता गारंटी वाले प्रदाताओं पर विचार करें

### टीम/संगठन परिनियोजन के लिए

यदि कई उपयोगकर्ताओं के लिए AttackGen परिनियोजित कर रहे हैं (डिफ़ॉल्ट उपयोग मामला नहीं):
- प्रमाणीकरण/प्राधिकरण जोड़ें (डिफ़ॉल्ट रूप से शामिल नहीं)
- API कुंजियों के लिए secrets management सेवा का उपयोग करें
- VPN या आंतरिक नेटवर्क के पीछे परिनियोजित करें
- अतिरिक्त विचारों के लिए इस threat model दस्तावेज़ की समीक्षा करें
- डेटा निवास और अनुपालन आवश्यकताओं पर विचार करें

### निर्भरता सुरक्षा

हम निर्भरताएँ बनाए रखते हैं और कमजोरियों की निगरानी करते हैं:
- निर्भरताएँ नियमित रूप से अपडेट की जाती हैं
- सुरक्षा सलाहकार GitHub Issues में ट्रैक किए जाते हैं
- अपडेट की जाँच के लिए `pip list --outdated` चलाएँ
- कमजोरी स्कैनिंग के लिए `pip-audit` का उपयोग करने पर विचार करें

### सुरक्षा मुद्दों की रिपोर्टिंग

कोई सुरक्षा मुद्दा मिला? कृपया जिम्मेदारी से रिपोर्ट करें:
- GitHub के [निजी कमजोरी रिपोर्टिंग](https://github.com/mrwadams/attackgen/security/advisories/new) के माध्यम से सुरक्षा सलाहकार बनाएँ
- सुरक्षा मुद्दों को सार्वजनिक रूप से पोस्ट न करें
- हम 48 घंटों के भीतर स्वीकार करेंगे
- फिक्स को प्राथमिकता दी जाएगी और शीघ्र जारी किए जाएँगे

## योगदान

मुझे इस परियोजना में योगदान स्वीकार करने में बहुत खुशी है। कृपया बेझिझक एक issue या pull request सबमिट करें।

## लाइसेंस

यह परियोजना [GNU GPLv3](https://choosealicense.com/licenses/gpl-3.0/) के तहत लाइसेंस प्राप्त है।
टूल डाउनलोड करें
नया क्या है?यह क्यों उपयोगी है?
बेस-परिदृश्य-पहले जनरेशन- प्रतीक्षा से पहले परिदृश्य: जनरेशन अब चरणों में चलता है — बेस परिदृश्य पहले प्रस्तुत होता है जिसमें परिदृश्य डाउनलोड करें और ATT&CK नेविगेटर लेयर डाउनलोड करें बटन पहले से सक्रिय होते हैं, और वैकल्पिक पर्पल-टीम कथा बाद में स्ट्रीम होती है। यदि वह दूसरा पास धीमा है, या आपको इसकी आवश्यकता नहीं है, तो परिदृश्य तुरंत उपयोग योग्य होता है बजाय सब कुछ समाप्त होने तक रोके रखने के।

- जनरेट पर इनपुट फ़्रीज़: प्रत्येक रन उस स्नैपशॉट से काम करता है जो जनरेट दबाने के क्षण लिया जाता है, इसलिए रन के बीच में साइडबार बदलने से उत्पादित परिदृश्य आधा-फिर से नहीं लिखा जा सकता।

- ईमानदार प्रगति: एक चलता हुआ बीता-समय लेबल और नामित चरण — इनपुट तैयार करना, बेस परिदृश्य उत्पन्न करना, निर्धारणात्मक निर्यात बनाना, पर्पल-टीम कथा उत्पन्न करना — दिखाते हैं कि एक लंबा रन वास्तव में कहाँ तक पहुँचा है।
तटस्थ, गतिरोध-मुक्त चयनकर्ता- केवल वे विकल्प जो काम करते हैं: खतरे-समूह और केस-स्टडी चयनकर्ता अब केवल उन्हीं विकल्पों की पेशकश करते हैं जो वास्तव में एक परिदृश्य उत्पन्न करते हैं, इसलिए एक चयन अब गतिरोध की ओर नहीं ले जा सकता।

- प्राकृतिक क्रम: समूह प्राकृतिक संख्यात्मक क्रम में क्रमबद्ध होते हैं, इसलिए APT3, APT28 और APT30 से पहले आता है बजाय पाठ के रूप में क्रमबद्ध होकर उनके बीच आने के।
हर पृष्ठ पर साझा सेटअप साइडबार- एक बार सेट करें: प्रदाता, मॉडल, फ्रेमवर्क, उद्योग और कंपनी का आकार अब हर परिदृश्य पृष्ठ — खतरा समूह, कस्टम और AI आंतरिक खतरा — पर एक एकल साझा सेटअप साइडबार में रहते हैं, बजाय प्रत्येक पर फिर से दर्ज करने के।

- नेविगेशन से बचता है: गैर-गोपनीय चयन पृष्ठों के बीच जाने पर बने रहते हैं और URL पर प्रतिबिंबित होते हैं, जबकि API कुंजियाँ जानबूझकर क्वेरी स्ट्रिंग से बाहर रखी जाती हैं।
प्लेटफ़ॉर्म और सुरक्षा रखरखाव- 2.x SDK पर MCP: MCP सर्वर mcp 2.x SDK पर स्थानांतरित हो गया है।

- नई बेस छवि: Docker छवि अब python:3.14-slim पर बनाई गई है।

- चेतावनी के बजाय CI गेट्स: सुरक्षा स्कैन अब केवल रिपोर्ट करने के बजाय निष्कर्षों पर बिल्ड को विफल करते हैं — pip-audit और Bandit गेट करते हैं, Trivy अब pip के विक्रेता-आधारित SBOM को स्थापित पैकेज के रूप में गलत गिनती नहीं करता है, और कार्रवाई योग्य छवि CVEs साफ़ हो जाते हैं। GitHub Actions Node 20 रनटाइम से स्थानांतरित हो गए हैं और Dependabot अब वर्कफ़्लो क्रियाओं को स्वयं ट्रैक करता है।
नया क्या है?यह क्यों उपयोगी है?
मूल्यांकन वातावरण पलायन प्रीसेट और परिदृश्य बीज- एक विशिष्ट घटना का पूर्वाभ्यास करें: एक नया AI आंतरिक-खतरा टेम्पलेट एक मूल्यांकन एजेंट को एक ऐसे वातावरण से वास्तविक प्रणालियों तक पहुँचने का पूर्वाभ्यास कराता है जिसे पृथक माना जाता है — रोकथाम, क्रेडेंशियल रोटेशन, तृतीय-पक्ष अधिसूचना और साक्ष्य संरक्षण को मजबूर करता है। यह जुलाई 2026 के खुलासों को कवर करता है जिसमें मूल्यांकन एजेंट अपने सैंडबॉक्स से बच निकले, जहाँ अलगाव सीमा मान ली गई थी बजाय लागू किए जाने के।

- टेम्पलेट अब प्रॉम्प्ट तक पहुँचते हैं: क्विक-स्टार्ट टेम्पलेट पहले केवल पृष्ठ के विजेट्स को पहले से भरते थे और उत्पन्न परिदृश्य को कभी प्रभावित नहीं करते थे। वे अब एक कथा brief और required_decisions ले जाते हैं जिन्हें चर्चा प्रश्नों को मजबूर करना चाहिए, दोनों प्रॉम्प्ट में पिरोए जाते हैं — इसलिए एक टेम्पलेट एक उपयोग योग्य समयबद्ध टेबलटॉप उत्पन्न करता है बजाय प्रश्नों के थैले के। यह उन्हें दो वर्गों में विभाजित करता है: छह मूल आर्किटाइप टेम्पलेट केवल निर्णय निर्धारित करते हैं, इसलिए मॉडल आधार का आविष्कार करता है और इसे फिर से चलाने से उसी खतरे प्रोफ़ाइल के लिए एक नया अभ्यास मिलता है; घटना टेम्पलेट एक brief भी निर्धारित करते हैं, स्थिति को पिन करते हुए।

- मुक्त-पाठ परिदृश्य बीज: AI आंतरिक खतरा पृष्ठ पर एक वैकल्पिक बीज बॉक्स किसी भी परिदृश्य पर कथा को निर्देशित करता है। एक टेम्पलेट चुनने से यह पहले से भर जाता है, और आप इसे संपादित कर सकते हैं या खरोंच से अपना लिख सकते हैं।

- वर्गीकरण 27 खतरों / 6 श्रेणियों तक विस्तारित: एक छठी खतरे की श्रेणी (रोकथाम और तृतीय-पक्ष प्रभाव) और चार STRIDE खतरे जोड़ता है जिन पर अभ्यास निर्भर करता है — S5 पुन: प्रयोज्य वर्कलोड क्रेडेंशियल रीप्ले, R4 एजेंट-पक्ष टेलीमेट्री दमन, I5 तृतीय-पक्ष और डाउनस्ट्रीम समझौता, और E5 रोकथाम सीमा आश्वासन विफलता। AttackGen अब प्रकाशित खतरे के मॉडल को विस्तारित करता है बजाय उसे प्रतिबिंबित करने के।

- MCP पर उपयोग योग्य टेम्पलेट: get_ai_insider_prompt और generate_ai_insider_scenario template= और scenario_seed= स्वीकार करते हैं, और list_ai_insider_options प्रत्येक टेम्पलेट को उन चयनों और brief के साथ लौटाता है जिन्हें यह लागू करता है — इसलिए एक क्लाइंट योग्यता पर एक प्रीसेट चुन सकता है और केवल एक टेम्पलेट, उद्योग और कंपनी के आकार के साथ कॉल कर सकता है। पहले टेम्पलेट नाम सूचीबद्ध थे लेकिन कोई उपकरण एक को स्वीकार नहीं करता था।
attackgen-tabletop कौशल: AI आंतरिक-खतरा पथ- एक दूसरा अभ्यास पथ: एजेंट कौशल अब MITRE किल चेन के साथ-साथ AI आंतरिक-खतरा मॉडल से एक टेबलटॉप बनाता है। एक क्विक-स्टार्ट टेम्पलेट (या एक तैनाती आर्किटाइप और खतरे की श्रेणियाँ) चुनें और यह get_ai_insider_prompt के पेलोड को एक MSEL में बदल देता है।

- समान आकार, अलग रीढ़: अभ्यास समान छह अनुभाग रखता है, लेकिन किल-चेन तालिका एक एजेंट प्रोफ़ाइल और STRIDE खतरे का दायरा बन जाती है, पहचान स्कोरकार्ड तैनाती आर्किटाइप की पहचान मुद्रा के विरुद्ध आंका जाता है — इसलिए जो पंक्तियाँ फायर नहीं करेंगी वे निष्कर्ष बन जाती हैं — और टेम्पलेट के आवश्यक निर्णय अनिवार्य चर्चा प्रश्न बन जाते हैं।

- आपके लिए पथ चुना गया: कौशल का विवरण अब दुष्ट-एजेंट वाक्यांशों पर ट्रिगर होता है, इसलिए "AI आंतरिक खतरा टेबलटॉप" माँगने से सही पथ तक पहुँचता है। AI-त्वरित ट्रेडक्राफ्ट वाला एक बाहरी अभिनेता MITRE पथ पर रहता है।

- प्रतिक्रिया, शोषण नहीं: दोनों पथ स्पष्ट रूप से एक प्रतिक्रिया टीम द्वारा किए जाने वाले निर्णयों के पूर्वाभ्यास तक सीमित हैं — कोई शोषण कोड, पेलोड या वास्तविक अनपैच कमजोरियाँ नहीं — और AI पथ एजेंट व्यवहार को मानवीय मकसद के बजाय कॉन्फ़िगरेशन, पहुँच और उद्देश्य के लिए जिम्मेदार ठहराता है।
फिक्स: MCP AI-आंतरिक प्रॉम्प्ट एजेंट क्षमताओं को छोड़ देते थे- समान टेम्पलेट, समान प्रॉम्प्ट: सीमांत-एजेंट क्षमता ब्लॉक — बेंचमार्क-आधारित पंक्तियाँ जो एक AI आंतरिक खतरे के परिदृश्य को विश्वसनीय बनाती हैं — हर get_ai_insider_prompt / generate_ai_insider_scenario कॉल से हटा दिया गया था जो capabilities को स्पष्ट रूप से नाम नहीं देता था। कोई टेम्पलेट उन्हें आपूर्ति नहीं करता है, इसलिए तर्क खाली हो गया और प्रॉम्प्ट ने एक सामान्य "एक सक्षम सीमांत कोडिंग एजेंट मान लें" पंक्ति को प्रतिस्थापित किया, जबकि पृष्ठ 3 ने उसी टेम्पलेट के लिए सभी चार भेजे।

- डिफ़ॉल्ट अब ऐप से मेल खाते हैं: capabilities को छोड़ना पूर्ण सेट लागू करता है, जैसा कि पृष्ठ का मल्टीसेलेक्ट करता है। [] पास करना अभी भी उन्हें अनिर्दिष्ट छोड़ देता है, इसलिए जानबूझकर ऑप्ट-आउट अपरिवर्तित है।
फिक्स: Anthropic Claude 4.7+ परिदृश्य जनरेशन- हर Claude मॉडल फिर से काम करता है: Claude 4.7 और बाद के संस्करण किसी भी सैंपलिंग temperature को अस्वीकार करते हैं, BadRequestError: 'temperature' is deprecated for this model लौटाते हुए। सूचीबद्ध पाँच Anthropic मॉडलों में से चार — Fable 5, Opus 4.8, Sonnet 5 और Opus 4.7 — किसी भी पृष्ठ पर एक परिदृश्य उत्पन्न नहीं कर सके; केवल Haiku 4.5 ने काम किया।

- प्रति मॉडल गेटेड, प्रति प्रदाता नहीं: तापमान नियम पहले प्रदाता से रूट किया गया था, जो एक ऐसे प्रदाता को व्यक्त नहीं कर सकता जिसके मॉडल असहमत हों। ModelInfo.supports_temperature अब उन मॉडलों को चिह्नित करता है जो एक को अस्वीकार करते हैं, इसलिए Haiku 4.5 अपना कॉन्फ़िगर किया गया तापमान रखता है जबकि इसके सहोदर इसे छोड़ देते हैं। OpenAI एक प्रदाता-स्तरीय नियम बना रहता है (हर वर्तमान चैट मॉडल एक तर्क मॉडल है), और अपंजीकृत मॉडल — स्थानीय Ollama / LM Studio एंडपॉइंट — अभी भी एक तापमान प्राप्त करते हैं।

v0.14

नया क्या है?यह क्यों उपयोगी है?
एजेंटिक क्लाइंट्स के लिए MCP सर्वर- उपकरणों के रूप में परिदृश्य जनरेशन: एक नया FastMCP सर्वर (mcp_server.py, आधिकारिक mcp SDK) AttackGen को stdio पर एजेंटिक क्लाइंट्स के लिए उजागर करता है, इसलिए Claude Code या Claude Desktop जैसा एक सहायक Streamlit UI के बिना MITRE डेटा खींच सकता है और परिदृश्य उत्पन्न कर सकता है।

- दो स्तर: डेटा उपकरण (list_threat_groups, list_case_studies, get_kill_chain, get_detection_report, get_navigator_layer, list_ai_insider_options, get_ai_insider_prompt) कोई LLM कॉल नहीं करते हैं और किसी API कुंजी की आवश्यकता नहीं होती है — वे संरचित MITRE डेटा और, जहाँ उपयोगी, एक चलाने-के-लिए-तैयार प्रॉम्प्ट लौटाते हैं, इसलिए वे HTTP पर होस्ट करने के लिए सुरक्षित हैं। जनरेट उपकरण (generate_threat_group_scenario, generate_custom_scenario, generate_ai_insider_scenario) एक अपनी-कुंजी-लाओ कॉन्फ़िग लेते हैं और तैयार Markdown लौटाते हैं — इन्हें स्थानीय stdio पर रखें।

- साझा कार्यान्वयन: सर्वर उन्हीं हेडलेस core/prompts.py बिल्डरों और core/attack_data.py लोडरों का पुन: उपयोग करता है जिनका Streamlit पृष्ठ उपयोग करते हैं, इसलिए परिदृश्य ऐप से मेल खाते हैं बजाय बहने के। python -m mcp_server या attackgen-mcp कंसोल स्क्रिप्ट के साथ लॉन्च करें।
attackgen-tabletop एजेंट कौशल- सुविधाकर्ता-तैयार टेबलटॉप्स: एक नया एजेंट कौशल MCP डेटा उपकरणों पर बनाता है ताकि एक MITRE ATT&CK/ATLAS खतरे समूह या केस स्टडी को एक पूर्ण IR टेबलटॉप / MSEL में बदल सके — परिदृश्य कथा, चरण-मैप किल चेन, टाइमस्टैम्प्ड इंजेक्ट, NIST SP 800-61 चर्चा प्रश्न और एक पहचान-कवरेज स्कोरकार्ड।

- कॉलर के मॉडल पर चलता है: कौशल अभ्यास शिल्प की आपूर्ति करता है जबकि MCP सर्वर डेटा की आपूर्ति करता है, इसलिए यह किसी अतिरिक्त API कुंजी के बिना क्लाइंट के अपने मॉडल पर चलता है।

- दो आउटपुट प्रारूप: Markdown (डिफ़ॉल्ट) या एक स्व-निहित, प्रिंट-अनुकूल HTML रिपोर्ट के रूप में वितरित।
सहायक पहचान और प्रतिक्रिया आउटपुट को परिष्कृत करता है- पर्पल-टीम संपादन: AttackGen सहायक अब केवल परिदृश्य नहीं, बल्कि पहचान और प्रतिक्रिया कथा को भी परिष्कृत कर सकता है। जब एक परिदृश्य 🟣 पर्पल-टीम कथा टॉगल (खतरा समूह / कस्टम पृष्ठ) के साथ उत्पन्न होता है, तो सहायक पृष्ठ पर एक संपादन: चयनकर्ता दिखाई देता है ताकि चैट या तो परिदृश्य या रक्षक के वॉकथ्रू को लक्षित कर सके — पहले सहायक के पास केवल परिदृश्य पाठ था।- संयुक्त संपादन मोड: एक तीसरा लक्ष्य दोनों को एक साथ परिष्कृत करता है, इसलिए एक क्रॉस-कटिंग परिवर्तन — एक अलग उद्योग, खतरे अभिनेता, तकनीक या समयरेखा — हमलावर के परिदृश्य और रक्षक की कथा में लगातार लागू होता है बजाय दो बार किए जाने और अलग होने के।- निर्धारणात्मक तथ्य अछूते: केवल LLM कथा एक परिष्करण लक्ष्य है; स्थानीय STIX पहचान जॉइन कभी LLM-संपादित नहीं होता। प्रत्येक संपादन मोड अपना चैट इतिहास रखता है, और संयुक्त पास LangSmith में टैग किया जाता है।

v0.13.1

नया क्या है?यह क्यों उपयोगी है?
फिक्स: OpenAI GPT-5.x परिदृश्य जनरेशन- सही तर्क-मॉडल हैंडलिंग: OpenAI के GPT-5.x तर्क मॉडल अपने डिफ़ॉल्ट के अलावा किसी भी सैंपलिंग temperature को अस्वीकार करते हैं, इसलिए हर GPT-5.x जनरेशन BadRequestError: 'temperature' does not support 0.7 with this model के साथ विफल हो रहा था। AttackGen अब इन मॉडलों को एक कस्टम तापमान नहीं भेजता है, जबकि अन्य प्रदाता कॉन्फ़िगर किया गया मान रखते हैं।
मॉडल रजिस्ट्री रीफ्रेश- नवीनतम मॉडल: प्रत्येक प्रदाता के वर्तमान दस्तावेज़ों के विरुद्ध मॉडल सूची को रीफ्रेश किया — OpenAI GPT-5.6 (Sol / Terra / Luna स्तर), Claude Fable 5 और Claude Sonnet 5, निरंतरता के लिए प्रति प्रदाता एक पिछली पीढ़ी रखी गई।

- पुरानी प्रविष्टियाँ हटाई गईं: उन मॉडलों को हटाया जिन्हें प्रदाताओं ने प्रतिस्थापित या सेवानिवृत्त किया है — विशेष रूप से Groq का qwen3-32b (17 जुलाई 2026 को बंद) और Mistral का Magistral Medium — इसलिए साइडबार एक ऐसा मॉडल पेश नहीं कर सकता जो चयन पर त्रुटि देता है।

- एक तेज़/सस्ता Groq स्तर जोड़ा (llama-3.1-8b-instant)।

v0.13

नया क्या है?यह क्यों उपयोगी है?
पर्पल-टीम मोड: पहचान और प्रतिक्रिया- रक्षात्मक साथी: हर खतरा समूह और कस्टम परिदृश्य अब एक पहचान और प्रतिक्रिया अनुभाग प्रस्तुत करता है जो परिदृश्य की प्रत्येक तकनीक को शिप किए गए डेटा में पहले से मौजूद MITRE ATT&CK पहचान रणनीतियों, विश्लेषणों, लॉग स्रोतों और शमनों से जोड़ता है — एक लाल-केवल कथा को एक पर्पल-ट### v0.12
नया क्या है?यह क्यों उपयोगी है?
----------------------------
AI आंतरिक खतरे के परिदृश्य- नया परिदृश्य प्रकार: एक समर्पित पृष्ठ घटना प्रतिक्रिया टेबलटॉप अभ्यास उत्पन्न करता है जिसमें आपके संगठन के अंदर तैनात एक फ्रंटियर AI एजेंट आंतरिक खतरे के रूप में व्यवहार करता है — गलत संरेखण, रिवॉर्ड हैकिंग, उभरते उद्देश्यों, या प्रॉम्प्ट-इंजेक्शन समझौते के माध्यम से। Actions Speak Louder Than Tokens: An Insider Threat Model for Frontier AI Agents से खतरे के मॉडल पर आधारित।

- परिनियोजन आर्किटेक्चर-संचालित: परिदृश्य एजेंट के स्वायत्तता स्तर (L1 पर्यवेक्षित सहायक → L4 पूर्णतः स्वायत्त फ्लीट) द्वारा आकार दिए जाते हैं, जो इसकी खतरे की सतह और पहचान मुद्रा का प्राथमिक निर्धारक है।

- पाँच आंतरिक खतरे की श्रेणियाँ: क्रेडेंशियल समझौता, आपूर्ति श्रृंखला तोड़फोड़, डेटा बहिर्गमन, बुनियादी ढांचा तोड़फोड़, और धोखा और बचाव — प्रत्येक मानव प्रेरणाओं के बजाय ठोस AI-एजेंट अभिव्यक्तियों से मैप किया गया।

- AI एजेंटों के लिए 23 STRIDE खतरे: फ्रंटियर AI एजेंटों के लिए अनुकूलित एक पूर्ण STRIDE वर्गीकरण (स्पूफिंग, टैम्परिंग, रिपुडिएशन, सूचना प्रकटीकरण, सेवा से वंचित, विशेषाधिकार उन्नयन), वैकल्पिक रूप से परिदृश्य के दायरे को सीमित करने के लिए उपयोग किया जाता है।

- NIST CSF-संरेखित नियंत्रण: उत्पन्न परिदृश्यों में NIST साइबर सुरक्षा फ्रेमवर्क (पहचानें, सुरक्षा करें, पता लगाएं, प्रतिक्रिया दें, पुनर्प्राप्त करें) से मैप की गई प्राथमिकता वाली शमन शामिल हैं।

- प्रदाता समानता: वैकल्पिक LangSmith ट्रेसिंग के साथ AttackGen के बाकी हिस्सों के समान प्रदाता सेट का समर्थन करता है।
LiteLLM माइग्रेशन और प्रदाता समेकन- एकीकृत LLM रैपर: सभी प्रदाता एकीकरण अब एकल core/llm.py रैपर के माध्यम से प्रवाहित होते हैं जो LiteLLM का उपयोग करता है। नया मॉडल जोड़ना core/models.py में MODELS सूची में एक-पंक्ति संपादन है; प्रदाता जोड़ना एकल ProviderInfo प्रविष्टि है। stride-gpt में उपयोग किए गए पैटर्न को दर्शाता है।

- बड़े पैमाने पर कोड में कमी: चार पृष्ठों में डुप्लिकेट प्रति-प्रदाता शाखाओं की ~3,800 पंक्तियाँ हटाई गईं (प्रति पृष्ठ if model_provider == ... ब्लॉक की ~1,000 पंक्तियाँ और आठ लगभग समान रैपर फ़ंक्शन)। अब प्रत्येक पृष्ठ सादे संदेश dicts बनाता है और को कॉल करता है।- रजिस्ट्री-संचालित साइडबार: वेलकम साइडबार अब प्रदाता रजिस्ट्री से उत्पन्न होता है, आठ हाथ-कोडित प्रदाता ब्लॉक को एक लूप से बदलता है।- ताज़ा मॉडल सूचियाँ: नवीनतम मॉडलों में अपडेट किया गया — OpenAI GPT-5.5 / 5.4 परिवार, Anthropic Claude 4.6 / 4.7 / 4.8, Google Gemini 3.x पूर्वावलोकन, Mistral Large 3 / Magistral, Groq GPT-OSS और Qwen3।- प्रदाता समेकन: अलग Azure OpenAI Service और Ollama प्रविष्टियों को एकल विकल्प से बदल दिया गया। Azure परिनियोजन, Ollama (), LM Studio (), OpenRouter और स्व-होस्टेड एंडपॉइंट सभी इस एक पथ के माध्यम से काम करते हैं।- छोटा निर्भरता पदचिह्न: , , , , , , और पैकेज हटा दिए गए — एकल निर्भरता से बदल दिया गया। वैकल्पिक ट्रेसिंग के लिए बनाए रखा गया है।- LangSmith ट्रेसिंग संरक्षित: डेकोरेटर और फीडबैक विजेट पारदर्शी रूप से काम करना जारी रखते हैं; LangSmith क्लाइंट उपलब्ध होने पर को में लपेटता है।

v0.11

नया क्या है?यह क्यों उपयोगी है?
MITRE ATLAS फ्रेमवर्क समर्थन- AI/ML खतरे का कवरेज: AttackGen अब MITRE ATLAS (AI सिस्टम के लिए प्रतिकूल खतरे का परिदृश्य) फ्रेमवर्क का समर्थन करता है, जो AI और मशीन लर्निंग सिस्टम को लक्षित करने वाले खतरों के लिए घटना प्रतिक्रिया परिदृश्य उत्पन्न करने में सक्षम बनाता है।

- केस स्टडी-आधारित परिदृश्य: 45 प्रलेखित वास्तविक दुनिया के AI हमले के केस स्टडीज के आधार पर परिदृश्य उत्पन्न करें, जिसमें 14 वास्तविक घटनाएं और 31 अनुसंधान अभ्यास शामिल हैं जो प्रॉम्प्ट इंजेक्शन, मॉडल निष्कर्षण और डेटा विषाक्तता जैसे हमलों को कवर करते हैं।

- 147 ATLAS तकनीकें: पूर्ण ATLAS तकनीक पुस्तकालय तक पहुंचें जो AI मॉडल एक्सेस, AI हमले की मंचन, और AI सिस्टम के लिए अनुकूलित पारंपरिक हमले के चरणों सहित 16 AI-विशिष्ट रणनीतियों को कवर करती है।

- AI-विशिष्ट टेम्पलेट: सामान्य AI/ML हमलों के लिए छह नए कस्टम परिदृश्य टेम्पलेट: मॉडल बचाव, डेटा विषाक्तता, मॉडल निष्कर्षण, प्रॉम्प्ट इंजेक्शन, LLM जेलब्रेक, और AI आपूर्ति श्रृंखला हमले।
MITRE ATT&CK डेटा v18.1 में अपडेट- नवीनतम खतरे की खुफिया: AttackGen अब MITRE ATT&CK v18.1 डेटा का उपयोग करता है, यह सुनिश्चित करता है कि उत्पन्न परिदृश्य खतरे के अभिनेताओं द्वारा उपयोग की जाने वाली सबसे वर्तमान रणनीतियों, तकनीकों और प्रक्रियाओं को दर्शाते हैं।

- विस्तारित एंटरप्राइज़ कवरेज: एंटरप्राइज़ खतरे के समूहों की सूची 150+ से बढ़कर 187 समूहों तक हो गई है, जिसमें नए ट्रैक किए गए अभिनेता शामिल हैं।

- विस्तारित ICS कवरेज: ICS खतरे के समूहों की सूची 7 से बढ़कर 16 समूहों तक हो गई है, जो औद्योगिक नियंत्रण प्रणाली परिदृश्यों के लिए बेहतर कवरेज प्रदान करती है।
अपडेटेड LLM मॉडल समर्थन- OpenAI: GPT-5.2 और GPT-5.2 Pro मॉडल जोड़े गए; अप्रचलित o-श्रृंखला तर्क मॉडल हटाकर मॉडल सूची सुव्यवस्थित की गई।

- Anthropic: Sonnet 4.5, Haiku 4.5 और Opus 4.5 के साथ Claude 4.5 परिवार में अपडेट किया गया।

- Google AI: Gemini 3 Pro और Flash पूर्वावलोकन मॉडल जोड़े गए; Gemini 2.5 विकल्प अपडेट किए गए।

- Groq: उच्च-प्रदर्शन अनुमान के लिए GPT-OSS 120B और 20B मॉडल जोड़े गए।

- Mistral: दिनांकित मॉडल संस्करणों (Large 2512, Medium 2508, Small 2506) में अपडेट किया गया; Ministral 14B जोड़ा गया।
बग फिक्स- Google AI प्रतिक्रिया हैंडलिंग फिक्स: नए Gemini मॉडल द्वारा लौटाए गए संरचित सामग्री प्रारूप को संभालने के लिए प्रतिक्रिया पार्सिंग अपडेट की गई, यह सुनिश्चित करते हुए कि परिदृश्य पाठ ठीक से निकाला और प्रदर्शित किया गया है।

- ICS मैट्रिक्स त्रुटि संदेश फिक्स: ICS मैट्रिक्स का उपयोग करते समय त्रुटि संदेश अब "Enterprise ATT&CK" के बजाय सही ढंग से "ICS ATT&CK" प्रदर्शित करते हैं।

- खाली तकनीक हैंडलिंग में सुधार: जब एक खतरे के समूह में कोई संबद्ध तकनीक नहीं होती है तो सुचारू हैंडलिंग जोड़ी गई, द्वितीयक त्रुटियों को रोकती है।

v0.10.1

नया क्या है?यह क्यों उपयोगी है?
LangChain v1.0 संगतता- ब्रेकिंग आयात परिवर्तन फिक्स: सभी आयात अप्रचलित langchain.prompts.chat से langchain_core.prompts में अपडेट किए गए, LangChain v1.0 के साथ संगतता सुनिश्चित करते हुए और ModuleNotFoundError मुद्दों को रोकते हुए। यह LangChain पारिस्थितिकी तंत्र के विकसित होने पर स्थिरता बनाए रखता है।
व्यापक सुरक्षा बुनियादी ढांचा- स्वचालित सुरक्षा स्कैनिंग: Bandit (Python कोड विश्लेषण), CodeQL (भेद्यता पहचान), pip-audit (निर्भरता स्कैनिंग), Safety (ज्ञात भेद्यताएं), Gitleaks (रहस्य पहचान), और Trivy (Docker छवि स्कैनिंग) का उपयोग करके निरंतर सुरक्षा निगरानी के लिए GitHub Actions वर्कफ़्लो पेश किए गए।

- सुरक्षा सर्वोत्तम अभ्यास दस्तावेज़ीकरण: समर्थित संस्करणों, भेद्यता रिपोर्टिंग, API कुंजी प्रबंधन, डेटा गोपनीयता विचारों और परिनियोजन सुरक्षा मार्गदर्शन को कवर करने वाला व्यापक SECURITY.md जोड़ा गया।

- उन्नत README सुरक्षा अनुभाग: API कुंजी सुरक्षा, डेटा गोपनीयता विचारों और जिम्मेदार परिनियोजन प्रथाओं के लिए स्पष्ट करें और न करें के साथ विस्तारित सुरक्षा मार्गदर्शन।
Docker सुधार- उन्नत सुरक्षा: कंटेनर सुरक्षा मुद्रा में सुधार करते हुए गैर-रूट उपयोगकर्ता के रूप में चलाने के लिए Dockerfile अपडेट किया गया।

- Docker Compose समर्थन: सुव्यवस्थित मल्टी-सेवा परिनियोजन और आसान स्थानीय विकास सेटअप के लिए docker-compose.yml जोड़ा गया।

- बेहतर बिल्ड अनुकूलन: छवि आकार कम करने और संवेदनशील फ़ाइलों को कंटेनर छवियों में शामिल होने से रोकने के लिए .dockerignore बढ़ाया गया।

- व्यापक कॉन्फ़िगरेशन टेम्पलेट: आसान प्रारंभिक सेटअप के लिए सभी समर्थित API कुंजियों (OpenAI, Anthropic, Azure, Google, Mistral, Groq) के साथ .env.example अपडेट किया गया।
बग फिक्स- Ollama API टाइमआउट: लटकते कनेक्शन को रोकने के लिए Ollama API अनुरोधों में टाइमआउट कॉन्फ़िगरेशन जोड़ा गया।

- Safety CLI अपडेट: निरंतर सुरक्षा स्कैनिंग कार्यक्षमता सुनिश्चित करते हुए अप्रचलित safety check कमांड से नए safety scan कमांड में अपडेट किया गया।

- Bandit कॉन्फ़िगरेशन: अधिक सटीक Python कोड विश्लेषण के लिए Bandit सुरक्षा स्कैनिंग कॉन्फ़िगरेशन सही किया गया।

v0.10

नया क्या है?यह क्यों उपयोगी है?
OpenAI Responses API एकीकरण- अगली पीढ़ी का API: AttackGen अब सभी समर्थित मॉडलों के लिए OpenAI के नवीनतम Responses API का उपयोग करता है, एक एकीकृत और उन्नत इंटरफ़ेस प्रदान करता है।
नवीनतम फ्रंटियर मॉडल समर्थन- GPT-5 एकीकरण: OpenAI के नवीनतम GPT-5 मॉडल श्रृंखला के लिए समर्थन जोड़ा गया जिसमें gpt-5, gpt-5-mini और gpt-5-nano शामिल हैं, परिदृश्य जनरेशन के लिए सबसे उन्नत AI क्षमताओं तक पहुंच प्रदान करता है।

- Claude Sonnet 4.5: Anthropic के नवीनतम Claude Sonnet 4.5 (claude-sonnet-4-5-20250929) मॉडल के लिए समर्थन जोड़ा गया, साथ ही Claude Opus 4.1 (claude-opus-4-1-20250805) सहित अपडेटेड Claude मॉडल संस्करण।
बग फिक्स और सुधार- Streamlit चेतावनी फिक्स: भविष्य के Streamlit संस्करणों के साथ संगतता सुनिश्चित करने के लिए अप्रचलित use_container_width पैरामीटर को नए width पैरामीटर से बदल दिया गया।

- उन्नत दस्तावेज़ीकरण: भविष्य के विकास कार्य के लिए व्यापक मार्गदर्शन के साथ CLAUDE.md अपडेट किया गया और विस्तृत आर्किटेक्चर जानकारी जोड़ी गई।

v0.9

नया क्या है?यह क्यों उपयोगी है?
विस्तारित मॉडल समर्थन- नवीनतम OpenAI तर्क मॉडल: AttackGen अब OpenAI के नवीनतम तर्क मॉडल का समर्थन करता है जिसमें o4-mini (नवीनतम तर्क मॉडल), o3/o3-mini और o1-pro (उन्नत तर्क क्षमताएं) शामिल हैं। ये मॉडल गहन तार्किक सोच की आवश्यकता वाले जटिल परिदृश्य जनरेशन में उत्कृष्ट हैं।

- GPT-4.1 श्रृंखला: GPT-4.1 श्रृंखला मॉडल (gpt-4.1, gpt-4.1-mini और gpt-4.1-nano) के लिए समर्थन जोड़ा गया, जो लागत-संवेदनशील उपयोग मामलों के लिए हल्के विकल्पों के साथ सामान्य AI क्षमताओं में नवीनतम सुधार प्रदान करता है।

- Anthropic Claude मॉडल: claude-opus-4-20250514, claude-sonnet-4-20250514, claude-3-7-sonnet-latest और claude-3-5-haiku-latest सहित Anthropic के Claude मॉडल के लिए व्यापक समर्थन जोड़ा गया। ये मॉडल मजबूत तर्क क्षमताओं के साथ विस्तृत और संदर्भ-जागरूक घटना प्रतिक्रिया परिदृश्य उत्पन्न करने के लिए उत्कृष्ट प्रदर्शन प्रदान करते हैं।

- अपडेटेड Google AI मॉडल: Gemini 2.0 मॉडल के साथ नवीनतम Gemini 2.5 पूर्वावलोकन मॉडल (gemini-2.5-flash-preview-05-20 और gemini-2.5-pro-preview-05-06) शामिल करने के लिए Google AI मॉडल चयन को ताज़ा किया गया, Google की AI तकनीक में सबसे हाल के सुधारों तक पहुंच प्रदान करता है।

- बेहतर मॉडल संगठन: नए मॉडलों को प्राथमिकता देने के लिए मॉडल चयन ड्रॉपडाउन को पुनर्गठित किया गया और विभिन्न मॉडल प्रकारों और क्षमताओं के बीच स्पष्ट रूप से अंतर करने के लिए विवरण अपडेट किए गए।
उन्नत तकनीक चयन तर्क- अधिक मजबूत समूह हैंडलिंग: एक मुद्दा फिक्स किया गया जहां खाली खतरे के अभिनेता समूह तकनीक चयन के दौरान त्रुटियां पैदा कर सकते थे। उपकरण अब खाली समूहों को खाली DataFrame लौटाकर ठीक से संभालता है, सीमित खतरे के अभिनेता डेटा के साथ भी स्थिर संचालन सुनिश्चित करता है।

- चरण नाम संरक्षण: आउटपुट में 'Phase Name' को ठीक से शामिल करने के लिए तकनीक चयन प्रक्रिया में सुधार किया गया, पूरे परिदृश्य जनरेशन प्रक्रिया में किल चेन चरण जानकारी बनाए रखता है। यह सुनिश्चित करता है कि उत्पन्न परिदृश्य इस बारे में उचित संदर्भ बनाए रखते हैं कि प्रत्येक तकनीक हमले के किस चरण से संबंधित है।
विकास पर्यावरण सुधार- उन्नत .gitignore: venv के अलावा .venv वर्चुअल पर्यावरण निर्देशिकाओं के लिए समर्थन जोड़ा गया, विभिन्न डेवलपर प्राथमिकताओं और Python पर्यावरण प्रबंधन उपकरणों को समायोजित करता है।

- कोड सफाई: परिदृश्य जनरेशन स्क्रिप्ट से अप्रयुक्त आयात हटाए गए, कोड रखरखाव में सुधार और संभावित भ्रम कम करता है।

v0.8

नया क्या है?यह क्यों उपयोगी है?
कस्टम OpenAI-संगत API एंडपॉइंट- बढ़ी हुई लचीलापन: AttackGen अब Anyscale, Together AI, या किसी भी स्व-होस्टेड संगत API जैसे कस्टम OpenAI-संगत API एंडपॉइंट का समर्थन करता है। यह सुविधा उपयोगकर्ताओं को आधिकारिक रूप से समर्थित प्रदाताओं से परे मॉडल और सेवाओं की व्यापक श्रेणी का लाभ उठाने की अनुमति देती है।

- स्व-होस्टिंग समर्थन: OpenAI-संगत मॉडल के अपने परिनियोजन वाले संगठन अब AttackGen को सीधे इन एंडपॉइंट से कनेक्ट कर सकते हैं।

- मॉडल चयन पर नियंत्रण: उपयोगकर्ता किसी भी संगत सेवा के लिए बेस URL, मॉडल नाम और API कुंजी निर्दिष्ट कर सकते हैं, जो परिदृश्य जनरेशन के लिए कौन से मॉडल और एंडपॉइंट उपयोग किए जाते हैं, इस पर अधिक नियंत्रण प्रदान करता है।
अपडेटेड मॉडल चयन- नवीनतम मॉडल तक पहुंच: OpenAI मॉडल चयन में अब नई GPT-4.1 श्रृंखला मॉडल (gpt-4.1, gpt-4.1-mini, gpt-4.1-nano) शामिल हैं, जो कोडिंग, निर्देश पालन और लंबे संदर्भ कार्यों में बेहतर प्रदर्शन प्रदान करते हैं।

- विस्तारित Gemini समर्थन: नवीनतम Gemini 2.5 Pro Preview, 2.0 Flash और 2.0 Flash Lite मॉडल के लिए समर्थन जोड़ा गया।

v0.7

नया क्या है?यह क्यों उपयोगी है?
Groq API एकीकरण- उन्नत प्रदर्शन: AttackGen अब Groq के उच्च-प्रदर्शन API का समर्थन करता है, जो llama-3.3-70b-versatile और deepseek-r1-distill-llama-70b जैसे मॉडलों तक पहुंच प्रदान करता है। यह एकीकरण उच्च-गुणवत्ता वाले परिदृश्य जनरेशन को बनाए रखते हुए तेज़ अनुमान समय प्रदान करता है।

- बेहतर मॉडल आउटपुट प्रदर्शन: DeepSeek जैसे मॉडलों के लिए जो अपने आउटपुट के साथ तर्क प्रदान करते हैं, AttackGen अब इस तर्क को एक संक्षिप्त विस्तारक विजेट में प्रदर्शित करता है। यह उपयोगकर्ताओं को मुख्य परिदृश्य आउटपुट को स्वच्छ और केंद्रित रखते हुए चाहने पर मॉडल की विचार प्रक्रिया देखने की अनुमति देता है।
अपडेटेड OpenAI मॉडल समर्थन- नवीनतम मॉडल: AttackGen अब OpenAI के नवीनतम o3 तर्क### v0.5
नया क्या है?यह क्यों उपयोगी है?
---------------------------
AttackGen Assistant- पुनरावृत्त परिदृश्य परिशोधन: नया चैट इंटरफ़ेस उपयोगकर्ताओं को अपने उत्पन्न घटना प्रतिक्रिया परिदृश्यों के साथ बातचीत करने की अनुमति देता है, जिससे परिदृश्य को शुरू से पुनर्जीवित किए बिना उसे अपडेट करना और उसके बारे में प्रश्न पूछना आसान हो जाता है। यह सुविधा परिदृश्य विकास के लिए एक पुनरावृत्त दृष्टिकोण को सक्षम बनाती है, जहां उपयोगकर्ता AI सहायक की प्रतिक्रियाओं के आधार पर अपने परिदृश्यों को परिष्कृत और बेहतर बना सकते हैं।

- प्रासंगिक सहायता: AI सहायक उत्पन्न परिदृश्य और वार्तालाप इतिहास के संदर्भ के आधार पर उपयोगकर्ता प्रश्नों का उत्तर देता है। यह सुनिश्चित करता है कि सहायक की प्रतिक्रियाएँ परिदृश्य को परिष्कृत करने में प्रासंगिक और सहायक हों।
कस्टम परिदृश्यों के लिए त्वरित प्रारंभ टेम्पलेट- त्वरित परिदृश्य निर्माण: उपयोगकर्ता अब सामान्य प्रकार के साइबर घटनाओं, जैसे फ़िशिंग हमले, रैंसमवेयर हमले, मैलवेयर संक्रमण, और आंतरिक खतरों के लिए पूर्वनिर्धारित टेम्पलेट्स के आधार पर कस्टम घटना प्रतिक्रिया परिदृश्यों को तेज़ी से उत्पन्न कर सकते हैं। यह सुविधा व्यक्तिगत ATT&CK तकनीकों का चयन किए बिना यथार्थवादी परिदृश्य बनाना आसान बनाती है।

- सुव्यवस्थित कार्यप्रवाह: टेम्पलेट चयन कस्टम परिदृश्य निर्माण प्रक्रिया में सहज रूप से एकीकृत है। उपयोगकर्ता एक टेम्पलेट चुन सकते हैं, जो स्वचालित रूप से प्रासंगिक ATT&CK तकनीकों को भर देता है, और फिर आवश्यकता पड़ने पर परिदृश्य को और अनुकूलित कर सकते हैं।
Google AI API एकीकरण- विस्तारित मॉडल विकल्प: AttackGen अब घटना प्रतिक्रिया परिदृश्य उत्पन्न करने के लिए Google के Gemini मॉडल के उपयोग का समर्थन करता है। यह एकीकरण उपयोगकर्ताओं के लिए उपलब्ध उच्च-गुणवत्ता वाले मॉडलों की सीमा का विस्तार करता है, जिससे वे यथार्थवादी और विविध परिदृश्य बनाने के लिए Google की AI क्षमताओं का लाभ उठा सकते हैं।

v0.4

नया क्या है?यह क्यों उपयोगी है?
Mistral API एकीकरण- वैकल्पिक मॉडल प्रदाता: उपयोगकर्ता अब घटना प्रतिक्रिया परिदृश्य उत्पन्न करने के लिए Mistral AI मॉडल का लाभ उठा सकते हैं। यह एकीकरण OpenAI और Azure OpenAI Service मॉडलों का एक विकल्प प्रदान करता है, जिससे उपयोगकर्ता अपने विशिष्ट उपयोग मामले के लिए विभिन्न भाषा मॉडलों के प्रदर्शन का पता लगा सकते हैं और तुलना कर सकते हैं।
Ollama का उपयोग करके स्थानीय मॉडल समर्थन- स्थानीय मॉडल होस्टिंग: AttackGen अब Ollama के साथ एकीकरण के माध्यम से स्थानीय रूप से होस्ट किए गए LLM के उपयोग का समर्थन करता है। यह सुविधा विशेष रूप से सख्त डेटा गोपनीयता आवश्यकताओं वाले संगठनों या उन लोगों के लिए उपयोगी है जो अपने डेटा को ऑन-प्रिमाइसेस रखना पसंद करते हैं। कृपया ध्यान दें कि यह सुविधा https://attackgen.streamlit.app पर होस्ट किए गए Streamlit Community Cloud संस्करण के उपयोगकर्ताओं के लिए उपलब्ध नहीं है।
वैकल्पिक LangSmith एकीकरण- बेहतर लचीलापन: LangSmith के साथ एकीकरण अब वैकल्पिक है। यदि कोई LangChain API कुंजी प्रदान नहीं की जाती है, तो उपयोगकर्ताओं को एक सूचनात्मक संदेश दिखाई देगा जो दर्शाता है कि रन LangSmith द्वारा लॉग नहीं किया जाएगा, बजाय एक त्रुटि फेंकने के। यह परिवर्तन समग्र उपयोगकर्ता अनुभव में सुधार करता है और उपयोगकर्ताओं को LangSmith की आवश्यकता के बिना AttackGen का उपयोग जारी रखने की अनुमति देता है।
विभिन्न बग फिक्स और सुधार- उन्नत उपयोगकर्ता अनुभव: इस रिलीज़ में उपयोगकर्ता इंटरफ़ेस के लिए कई बग फिक्स और सुधार शामिल हैं, जिससे AttackGen अधिक उपयोगकर्ता-अनुकूल और मजबूत बन जाता है।

v0.3

नया क्या है?यह क्यों उपयोगी है?
Azure OpenAI Service एकीकरण- उन्नत एकीकरण: उपयोगकर्ता अब मानक OpenAI API के अतिरिक्त, Azure OpenAI Service पर तैनात OpenAI मॉडल का उपयोग करना चुन सकते हैं। यह एकीकरण मौजूदा Azure पारिस्थितिकी तंत्रों में AttackGen को शामिल करने के लिए एक सहज और सुरक्षित समाधान प्रदान करता है, स्थापित वाणिज्यिक और गोपनीयता समझौतों का लाभ उठाते हुए।

- बेहतर डेटा सुरक्षा: Azure से AttackGen चलाना यह सुनिश्चित करता है कि एप्लिकेशन विवरण और अन्य डेटा Azure वातावरण के भीतर रहें, जिससे यह उन संगठनों के लिए आदर्श बन जाता है जो अपने खतरे के मॉडल में संवेदनशील डेटा संभालते हैं।
Azure OpenAI Service के लिए LangSmith- उन्नत डिबगिंग: LangSmith ट्रेसिंग अब Azure OpenAI Service का उपयोग करके उत्पन्न परिदृश्यों के लिए उपलब्ध है। यह सुविधा मॉडल प्रदर्शन के डिबगिंग, परीक्षण और निगरानी के लिए एक शक्तिशाली उपकरण प्रदान करती है, जिससे उपयोगकर्ता मॉडल की निर्णय लेने की प्रक्रिया में अंतर्दृष्टि प्राप्त कर सकते हैं और उत्पन्न परिदृश्यों के साथ संभावित मुद्दों की पहचान कर सकते हैं।

- उपयोगकर्ता प्रतिक्रिया: LangSmith Azure OpenAI Service का उपयोग करके उत्पन्न परिदृश्यों की गुणवत्ता पर उपयोगकर्ता प्रतिक्रिया भी कैप्चर करता है, जो मॉडल प्रदर्शन और उपयोगकर्ता संतुष्टि में मूल्यवान अंतर्दृष्टि प्रदान करता है।
OpenAI API के लिए मॉडल चयन- लचीले मॉडल विकल्प: उपयोगकर्ता अब OpenAI API एंडपॉइंट से उपलब्ध कई मॉडलों में से चयन कर सकते हैं, जैसे gpt-4-turbo-preview। यह विभिन्न भाषा मॉडलों के साथ अधिक अनुकूलन और प्रयोग की अनुमति देता है, जिससे उपयोगकर्ता अपने विशिष्ट उपयोग मामले के लिए सबसे उपयुक्त मॉडल ढूंढ सकते हैं।
Docker कंटेनर छवि- आसान तैनाती: AttackGen अब एक Docker कंटेनर छवि के रूप में उपलब्ध है, जिससे एक सुसंगत और प्रतिलिपि योग्य वातावरण में एप्लिकेशन को तैनात करना और चलाना आसान हो जाता है। यह सुविधा विशेष रूप से उन उपयोगकर्ताओं के लिए उपयोगी है जो कंटेनरीकृत वातावरण में AttackGen चलाना चाहते हैं, या उन लोगों के लिए जो क्लाउड प्लेटफ़ॉर्म पर एप्लिकेशन तैनात करना चाहते हैं।

v0.2

नया क्या है?यह क्यों उपयोगी है?
ATT&CK तकनीकों पर आधारित कस्टम परिदृश्य- परिपक्व संगठनों के लिए: यह सुविधा विशेष रूप से फायदेमंद है यदि आपके संगठन में उन्नत खतरे की खुफिया क्षमताएं हैं। उदाहरण के लिए, यदि आप एक नए पहचाने गए या कम ज्ञात खतरे वाले अभिनेता समूह की निगरानी कर रहे हैं, तो आप उस समूह द्वारा उपयोग की जाने वाली तकनीकों के लिए विशिष्ट घटना प्रतिक्रिया परीक्षण परिदृश्य तैयार कर सकते हैं।

- केंद्रित परीक्षण: वैकल्पिक रूप से, इस सुविधा का उपयोग अपने घटना प्रतिक्रिया परीक्षण को साइबर किल चेन के विशिष्ट भागों या 'लैटरल मूवमेंट' या 'एक्सफिल्ट्रेशन' जैसे कुछ MITRE ATT&CK रणनीतियों पर केंद्रित करने के लिए करें। यह उन संगठनों के लिए उपयोगी है जो अपनी रक्षा मुद्रा के विशिष्ट क्षेत्रों का मूल्यांकन और सुधार करना चाहते हैं।
उत्पन्न परिदृश्यों पर उपयोगकर्ता प्रतिक्रिया- समय के साथ मॉडल प्रदर्शन को ट्रैक करने के लिए प्रतिक्रिया एकत्र करना आवश्यक है और यह परिदृश्य निर्माण कार्यों में ताकत और कमजोरियों को उजागर करने में मदद करता है।
लापता API कुंजियों के लिए बेहतर त्रुटि प्रबंधन- बेहतर उपयोगकर्ता अनुभव।
Streamlit st.spinner विजेट्स को नए st.status विजेट से बदल दिया गया- लंबे समय तक चलने वाली प्रक्रियाओं (यानी परिदृश्य निर्माण) में बेहतर दृश्यता प्रदान करता है।

v0.1

प्रारंभिक रिलीज़।



परिदृश्य + पहचान और प्रतिक्रिया


purple_team_narrative
सरल मॉडल रजिस्ट्री- प्रति मॉडल एक कम चीज़: max_completion_tokens kwarg और तर्क-मॉडल तापमान नियम अब प्रति-मॉडल uses_max_completion_tokens फ्लैग के बजाय प्रदाता से रूट किए जाते हैं — हर वर्तमान OpenAI चैट मॉडल उनका उपयोग करता है, इसलिए फ्लैग ने एक तथ्य को दोहराया जो प्रदाता कुंजी पहले से कैप्चर करती थी। एक नया OpenAI मॉडल जोड़ना MODELS में एक-प्रविष्टि संपादन बना रहता है, याद रखने के लिए कोई अतिरिक्त फ्लैग नहीं।

- कोई व्यवहार परिवर्तन नहीं: केवल एक आंतरिक सरलीकरण — रैपर हर वर्तमान मॉडल के लिए समान LiteLLM kwargs बनाता है।
call_llm(config, messages)






कस्टम (OpenAI-संगत)
http://localhost:11434/v1
http://localhost:1234/v1


langchain
langchain-anthropic
langchain-core
langchain-community
langchain-google-genai
langchain-mistralai
langchain-openai
anthropic
litellm>=1.40
langsmith


@traceable
core/llm.py
call_llm
@traceable
Docker छवि सुरक्षा रीफ्रेश- ताज़ा बेस इमेज: Trivy कोड स्कैनिंग द्वारा चिह्नित पुराने OS-लेयर CVEs को साफ करने के लिए python:3.12-slim डाइजेस्ट अपडेट किया गया, प्रकाशित कंटेनर छवि के खिलाफ खुले अलर्ट की संख्या कम करता है।

- pip CVE-2025-8869 फिक्स: आवश्यकताओं को स्थापित करने से पहले pip को अब अपग्रेड किया जाता है, पैकेज निष्कर्षण के दौरान लापता सिमलिंक जांच के लिए फिक्स उठाता है।
स्ट्रीमिंग LLM आउटपुट- टोकन-दर-टोकन जनरेशन: परिदृश्य और AttackGen सहायक चैट अब पूर्ण प्रतिक्रिया पर ब्लॉक करने के बजाय आगमन पर टोकन स्ट्रीम करते हैं, इसलिए लंबे जनरेशन उत्तरदायी महसूस होते हैं और मॉडल लिखते समय आप साथ-साथ पढ़ सकते हैं।

- ऑप्ट-इन स्ट्रीमिंग API: एकीकृत LiteLLM रैपर में call_llm के साथ call_llm_stream जोड़ता है, इसलिए कॉलर बाकी अनुबंध को बदले बिना स्ट्रीम करना चुन सकते हैं।

- स्वच्छ तर्क हैंडलिंग: एक स्टेटफुल stream_filter_thinking सहायक लाइव दृश्य में <think>...</think> क्षेत्रों को दबाता है जबकि पोस्ट-स्ट्रीम clean_model_response पूर्ण कच्चे पाठ से तर्क विस्तारक को आबाद करना जारी रखता है।
AI-संवर्धित प्रतिद्वंद्वी टॉगल- नया प्रति-पृष्ठ टॉगल: थ्रेट ग्रुप और कस्टम परिदृश्य पृष्ठों पर एक "AI-संवर्धित प्रतिद्वंद्वी" टॉगल जोड़ता है जो उत्पन्न परिदृश्य को फिर से तैयार करता है ताकि प्रतिद्वंद्वी समान किल चेन को तेज और बढ़ाने के लिए AI का उपयोग करता है — कम कौशल मंजिल, संपीड़ित समयरेखा, स्वायत्त ऑर्केस्ट्रेशन और समानांतर पैमाना — नई तकनीकों को पेश करने के बजाय।

- Anthropic अनुसंधान पर आधारित: Anthropic के LLM ATT&CK Navigator अनुसंधान पर आधारित, जिसने पाया कि वास्तविक दुनिया के साइबर खतरों में सबसे महत्वपूर्ण बदलाव नई तकनीकों के बजाय मौजूदा तकनीकों का त्वरण और ऑर्केस्ट्रेशन है।

- ट्रेस दृश्यता: LangSmith में ai_enhanced के साथ टैग किए गए परिदृश्य ताकि AI-उन्नत जनरेशन को फ़िल्टर किया जा सके और बेसलाइन रन के खिलाफ तुलना की जा सके।

- AI आंतरिक खतरे के पृष्ठ पर जानबूझकर छोड़ा गया: उस पृष्ठ का खतरा अभिनेता पहले से ही एक फ्रंटियर AI एजेंट है, इसलिए "AI-संवर्धित" फ्रेमिंग अनावश्यक होगी।
बग फिक्स और सुधार- इस रिलीज़ में परिदृश्य पृष्ठों और साइडबार में कई छोटे UI पॉलिश और रेंडरिंग फिक्स शामिल हैं।