Skip to content
KitploitKITPLOIT
उपकरणएक्सप्लॉइटब्लॉग
Log in
जमा करें
उपकरणएक्सप्लॉइटब्लॉग
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।

फ़ीडसंपर्कगोपनीयता© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
उपकरण/GitHubGitHub/owasp/ai-threat-modeler
रक्षात्मक उपकरणभेद्यता विश्लेषणखतरा खुफियापेपर और शोधAI सुरक्षा
GitHubowasp/ai-threat-modeler

AI-Threat-Modeler

AI-सहायता प्राप्त खतरा मॉडलिंग के लिए OWASP परियोजना, जो टीमों को सिस्टम डिज़ाइन में सुरक्षा खतरों और शमन उपायों की पहचान करने, विश्लेषण करने और दस्तावेज़ीकरण करने में मदद करती है।

रिपॉजिटरी देखें
210928 दिन पहलेअभी तक समीक्षित नहीं

सबसे लोकप्रिय

सभी देखें →

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

अभी तक कोई लोकप्रियता डेटा नहीं है।

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →
साझा करें

AI थ्रेट मॉडलर

इसे किसी कोडबेस पर इंगित करें। कोड-आधारित थ्रेट मॉडल प्राप्त करें — समीक्षा, चुनौती और कार्रवाई के लिए तैयार। जो हिस्से कोड नहीं देख सकता — व्यावसायिक संदर्भ और उसके पीछे की आर्किटेक्चर — वहीं आप और आपके आर्किटेक्ट आते हैं।

एक ZIP अपलोड करें या GitHub रेपो आयात करें, और AI थ्रेट मॉडलर एक STRIDE-शैली का थ्रेट-मॉडल आर्टिफैक्ट तैयार करता है: एक डेटा-फ़्लो डायग्राम, संभावित खतरे, और एक जोखिम रजिस्ट्री — जिसमें सटीक स्रोत फ़ाइलों और पंक्ति संख्याओं के लिंक होते हैं, जब भी AI एजेंट उन्हें वास्तविक कोड में आधारित कर सकता है। एक वैकल्पिक विरोधी पास उन निष्कर्षों को हटा देता है जिनमें कोई कोड प्रमाण नहीं है।

उन AppSec टीमों के लिए बनाया गया जो वास्तविक कोड में आधारित थ्रेट मॉडलिंग चाहते हैं — ट्रेस करने योग्य, समीक्षा योग्य, और हमेशा अद्यतित।

यह क्या है (और क्या नहीं है)

स्पष्ट रहें कि आपको क्या मिल रहा है, क्योंकि यह अंतर मायने रखता है:

  • यह एक कोड-आधारित AI थ्रेट मॉडलर है। यह एक कोडबेस को DFD + STRIDE निष्कर्षों + जोखिमों की एक प्रारंभिक सूची में बदल देता है, जिनमें से प्रत्येक एक वास्तविक file:line पर आधारित है।
  • यह कोड में आधारित है। हमारा कार्य सिद्धांत संक्षिप्त और ठोस है: खतरे की पहचान करें, सत्य को कोड में आधारित करें, फिर उस पर कार्रवाई करें। प्रत्येक निष्कर्ष एक वास्तविक file:line पर आधारित है, और बिना कोड प्रमाण वाले दावों को हटा दिया जाता है। परिणाम ठोस, समीक्षा योग्य इनपुट है जिस पर आपकी टीम कार्रवाई कर सकती है — कोड सत्य का स्रोत है, और उस पर कार्रवाई करने का निर्णय आपकी टीम लाती है।

आपको जो मूल्य मिलता है वह उसके आनुपातिक है जो आप डालते हैं (garbage in, garbage out) और इस पर कि आपकी टीम निष्कर्षों पर कितनी गंभीरता से कार्रवाई करती है — डायग्राम का सत्यापन करना, दावों को कोड के विरुद्ध त्रिभुजित करना, और वह व्यावसायिक/डिज़ाइन संदर्भ जोड़ना जो कोडबेस के बाहर रहता है। पूर्ण कार्यप्रवाह के लिए, और किसी मौजूदा हस्त-निर्मित थ्रेट मॉडल के विरुद्ध क्या-हमने-पर्याप्त-अच्छा-काम-किया जाँच के रूप में इसका उपयोग कैसे करें, के लिए आउटपुट का उपयोग कैसे करें देखें।

📹 डेमो

डेमो वीडियो

या फ़ाइल पृष्ठ पर देखें।

3 चरणों में इसे आज़माएँ

आपको Docker और समर्थित प्रदाताओं में से किसी एक के लिए एक API कुंजी की आवश्यकता होगी — Anthropic (Claude), OpenAI, या DeepInfra ताकि open-weight मॉडल (Kimi, GLM, DeepSeek) चलाए जा सकें।

  1. अपना वातावरण सेट करें। env फ़ाइल कॉपी करें और एक यादृच्छिक JWT_SECRET जोड़ें:

    cp .env.example .env
    echo "JWT_SECRET=$(openssl rand -hex 32)" >> .env
    
  2. बिल्ड करें और शुरू करें:

    docker-compose up -d --build
    
  3. http://localhost:3000 खोलें, admin / admin से लॉग इन करें, Settings में अपनी API key जोड़ें, और एक repo सबमिट करें।

👉 नए हैं? पूरी वॉकथ्रू के लिए Getting Started guide का पालन करें, जिसमें स्क्रीनशॉट-जितना विस्तृत विवरण है।

आपको क्या मिलता है

किसी job के पूरा होने के बाद, रिपोर्ट खोलें — यह आपकी समीक्षा के लिए artifacts का एक सेट है, कोई अंतिम निर्णय नहीं:

टैबसामग्री
Data Flow Diagramtrust boundaries के साथ इंटरैक्टिव डायग्राम; संबंधित candidate threats और source files देखने के लिए किसी node पर क्लिक करें। पहले इसे अपनी वास्तविक architecture के विरुद्ध सत्यापित करें — गलत डायग्राम पर आधारित findings संदिग्ध होते हैं।
Threat Modelseverity, mitigation, और Location (file:line, snippet, GitHub से आयात होने पर GitHub लिंक) के साथ candidate STRIDE threats। प्रत्येक को code में सत्यापित करने योग्य परिकल्पना मानें, निष्कर्ष नहीं।
Risk Registrythreats से क्रॉस-लिंक्ड risks, remediation plans के साथ — आपकी टीम के निर्णयों और ट्रैक किए गए remediation के लिए कच्ची सामग्री।

PDF, CSV (Excel-अनुकूल), या JSON में निर्यात करें, ताकि आप findings को अपने issue tracker और रिकॉर्ड के threat modeling अभ्यास में ला सकें।

यह कैसे काम करता है

प्रत्येक job एक संक्षिप्त stage → run प्रवाह चलाता है ताकि AI आपकी deployment को समझे, केवल आपके code को नहीं:

  1. Analyze — ऐप स्वतः छह संपादन-योग्य context फ़ील्ड भरता है (project summary, security context, deployment context, developer guidance, suggested exclusions, और notes)। यह आपका सबसे प्रभावी इनपुट है — इसे वास्तविक deployment और business context के साथ संपादित करें; artifact उतना ही अच्छा लौटेगा जितना आप डालेंगे।
  2. Run — agent पूरा STRIDE artifact तैयार करता है, और यह dashboard पर लाइव स्थिति दिखाता है। फिर आपकी टीम इसकी समीक्षा करती है (How to use the output देखें)।

Model providers

अपने बजट और compliance आवश्यकताओं के अनुरूप किसी भी provider के लिए अपनी key लाएँ — Settings में provider और model चुनें:

  • Anthropic (Claude) और OpenAI — hosted frontier models।
  • DeepInfra — open-weight models। HIPAA- और SOC 2-प्रमाणित inference cloud पर OpenAI-संगत API के पीछे Kimi, GLM, और DeepSeek परिवार चलाएँ। model picker प्रत्येक विकल्प को उसकी प्रति-मिलियन-token कीमत और context window के साथ सूचीबद्ध करता है, और प्रति-job लागत सटीक रूप से रिपोर्ट की जाती है। open-weight models नाटकीय रूप से सस्ते हो सकते हैं — DeepSeek V4 Flash पर एक सामान्य job की लागत डॉलर नहीं, सेंट में होती है।

आप प्रति instance reasoning_effort को ट्यून भी कर सकते हैं और adversarial second pass को टॉगल कर सकते हैं। Settings Reference देखें।

दस्तावेज़ीकरण

गाइडकिसके लिए
Getting Startedपहली बार उपयोग करने वाले — install से पहली रिपोर्ट तक
Importing from GitHubसार्वजनिक और निजी repos, branches, सीमाएँ
Settings Referenceलागत, गहराई, और providers को ट्यून करना
Troubleshootingजब कुछ गलत हो जाए
Featuresपूरी क्षमता सूची
Deploymentproduction में Docker Compose के साथ चलाना
SETUP.mdDocker के बिना स्थानीय विकास
CHANGELOG.mdरिलीज़ इतिहास

पूर्ण docs सूचकांक: docs/। इंटरैक्टिव API spec: http://localhost:3001/api-docs (जब backend चल रहा हो)।

योगदान / विकास

npm test                                             # backend + frontend unit tests
cd frontend && npm run e2e:install && npm run e2e    # Playwright end-to-end tests

पूर्ण डेव वातावरण (Node 18+, Docker के बिना) के लिए SETUP.md देखें।

टूल डाउनलोड करें