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
llm-differential-privacy-gateway — Noisegate: एक डिफरेंशियल प्राइवेसी गेटवे जो एक अविश्वसनीय LLM एजेंट को MCP (Model Context Protocol) के माध्यम से संवेदनशील डेटा क्वेरी करने देता है, इस औपचारिक गारंटी के साथ कि एजेंट के विरोधी होने पर भी किसी व्यक्ति का रिकॉर्ड लीक नहीं हो सकता - प्रवर्तन मॉडल के नीचे विश्वसनीय कोड में होता है, जिसे एक रन करने योग्य अटैक गैलरी द्वारा सत्यापित किया जाता है। | Kitploit
उपकरण/GitHubGitHub/yashmahajan10/llm-differential-privacy-gateway
रक्षात्मक उपकरणगोपनीयतालर्निंग और शिक्षाAI सुरक्षालैब और अभ्यास
GitHubyashmahajan10/llm-differential-privacy-gateway

llm-differential-privacy-gateway

रिपॉजिटरी देखें

विवरण

Noisegate: एक डिफरेंशियल प्राइवेसी गेटवे जो एक अविश्वसनीय LLM एजेंट को MCP (Model Context Protocol) के माध्यम से संवेदनशील डेटा क्वेरी करने देता है, इस औपचारिक गारंटी के साथ कि एजेंट के विरोधी होने पर भी किसी व्यक्ति का रिकॉर्ड लीक नहीं हो सकता - प्रवर्तन मॉडल के नीचे विश्वसनीय कोड में होता है, जिसे एक रन करने योग्य अटैक गैलरी द्वारा सत्यापित किया जाता है।

253413 महीने पहलेKitploit द्वारा समीक्षित
साझा करें

Noisegate: अविश्वसनीय AI एजेंट्स के लिए एक डिफरेंशियल-प्राइवेसी गेटवे

CI Python 3.13+ License: Apache-2.0

एक AI एजेंट जो संवेदनशील डेटा का अध्ययन कर सकता है, लेकिन किसी एक व्यक्ति को चिह्नित नहीं कर सकता। यह सीमा गणितीय है, इसे उस कोड में लागू किया गया है जहाँ एजेंट की पहुँच नहीं है, और रेपो में वे हमले भी शामिल हैं जो इसे तोड़ने का प्रयास करते हैं।

A Claude Desktop chat against the gateway: an AI agent gets honest noise-injected charts, is told the model itself cannot disable the noise, drains a tiny privacy budget until the gate refuses, has a too-narrow census query rejected at the trust boundary, and ends on a clean 16-bar histogram usable at scale

एक रिकॉर्ड किया गया Claude Desktop सत्र (उत्तर संक्षिप्त किए गए हैं; चार्ट कार्ड सत्र के ही हैं)। एक AI एजेंट 20 रोगियों को निदान के आधार पर विभाजित करता है, और ±12 शोर हर बिन को डुबो देता है। यह याद दिलाए जाने पर कि वह शोर को बंद नहीं कर सकता, यह तीन-उत्तर वाला बजट खत्म कर देता है जब तक कि गेट किसी शांत उत्तर के बजाय इनकार नहीं लौटा देता। 32,561-पंक्ति वाली जनगणना पर, एक बहुत संकीर्ण स्लाइस ट्रस्ट बाउंड्री पर अस्वीकार कर दिया जाता है, जबकि एक पूर्ण शिक्षा विभाजन बड़े पैमाने पर साफ़ वापस आता है। इनकार और अस्वीकृति लाइव गेटवे का वास्तविक प्रवर्तन हैं, जिसे python scripts/render_demo_gif.py द्वारा पुनरुत्पादित किया गया है।

एक नज़र में

  • चलने योग्य हमले, CI में पिन किए गए। तीन क्लासिक प्राइवेसी हमले सिस्टम के अपने इंजन के विरुद्ध चलाए जाते हैं: डिफरेंसिंग, मेंबरशिप इन्फरेंस, और री-आइडेंटिफिकेशन द्वारा सिंगलिंग आउट। प्रत्येक को प्राइवेसी बंद होने पर सफल होते हुए, प्राइवेसी चालू होने पर विफल होते हुए दिखाया गया है, और हर बिल्ड पर जाँचा जाता है ताकि रक्षा चुपचाप क्षय न हो।
  • स्वतंत्र रूप से सत्यापित गणित। शोर तंत्र शुरू से बनाया गया है, और यह OpenDP से मेल खाता है, जो उद्योग का संदर्भ कार्यान्वयन है, सभी 35 शोर-स्केल जाँचों में 1e-9 के भीतर।
  • सटीक लेखांकन से अधिक प्रश्न। डिप्लॉयमेंट के प्रति-क्वेरी ε पर, हाइब्रिड zCDP कंपोज़िशन उसी बजट के विरुद्ध 308 प्रश्नों की अनुमति देता है, जबकि एडवांस्ड कंपोज़िशन के तहत 268 और नैव सम-ऑफ-ε के तहत 100। गारंटी शुद्ध ε के बजाय (ε, δ)-DP है।
  • AI एजेंट्स के लिए बनाया गया। Claude Desktop के लिए MCP सर्वर के रूप में चलता है। कनेक्ट करने वाला एजेंट डिज़ाइन से ही अविश्वसनीय है, और हर प्राइवेसी गुण उसके नीचे लागू किया जाता है।
  • स्टैक: Python · DuckDB · FastAPI · Streamlit · MCP SDK · Docker · GitHub Actions, CI में 250+ टेस्ट सूट के साथ।

आप एक संवेदनशील डेटासेट के बारे में सरल अंग्रेज़ी में प्रश्न पूछते हैं। एक LLM प्रत्येक प्रश्न को एक छोटी, सीमित क्वेरी में संकलित करता है। एक डिफरेंशियल-प्राइवेसी इंजन इसे एक ट्रैक किए गए प्राइवेसी बजट के तहत निष्पादित करता है और एक जानबूझकर शोरयुक्त उत्तर एक निर्दिष्ट विश्वास अंतराल के साथ लौटाता है। अपने ऑडियो नामसमान की तरह, गेटवे एक निर्धारित थ्रेशोल्ड से नीचे के हर सिग्नल को शोर फ़्लोर के नीचे रखता है: किसी एक व्यक्ति का योगदान डूब जाता है, जबकि पूरे डेटासेट के पैमाने का सिग्नल लगभग अछूता गुज़र जाता है।

दिलचस्प बात यह नहीं है कि एक LLM क्वेरी लिख सकता है। दिलचस्प बात यह है कि प्राइवेसी गारंटी इस पर निर्भर नहीं करती कि LLM भरोसेमंद है। मॉडल एक सुविधा है जो एक क्वेरी प्रस्तावित करता है। यह कुछ भी लागू नहीं करता। हर प्राइवेसी गुण डाउनस्ट्रीम में उन घटकों द्वारा लागू किया जाता है जो उसी तरह व्यवहार करेंगे यदि कोई मनुष्य क्वेरी को हाथ से टाइप करे। यह वही ट्रस्ट-बाउंड्री अनुशासन है जो आप किसी प्रोडक्शन सिस्टम में किसी भी अविश्वसनीय इनपुट पर लागू करेंगे, यहाँ एक AI एजेंट पर लागू किया गया है।


क्विकस्टार्ट

1. हमले चलाएँ: कोई API कुंजी नहीं, कोई डेटा फ़ेच नहीं, कोई सर्वर नहीं

अटैक गैलरी वास्तविक DP इंजन के विरुद्ध इन-प्रोसेस चलती है:```bash pip install -e . python -m attacks.patients_alice # re-identify Alice with privacy off, then watch # the guard, the noise, and the budget defeat it

### 2. एक AI एजेंट कनेक्ट करें

गेटवे Claude Desktop के लिए एक MCP stdio सर्वर के रूप में चलता है। एजेंट अविश्वसनीय क्वेरी लेखक बन जाता है, और इसे केवल संरचित टूल्स (`count`, `sum`, `average`, `histogram`, `get_budget`) मिलते हैं जिनके आर्ग्युमेंट स्कीमा डेटासेट पॉलिसी से जनरेट होते हैं। कहीं भी API key की आवश्यकता नहीं है, क्योंकि कनेक्टिंग एजेंट ही बुद्धिमत्ता है।

**[सेटअप और पूर्ण वॉकथ्रू →](https://github.com/yashmahajan10/llm-differential-privacy-gateway/blob/main/docs/CLAUDE_DESKTOP.md)**

### 3. पूर्ण प्राकृतिक-भाषा UI

एक स्थानीय सिंगल-टेनेंट डेमो। API key की आवश्यकता केवल अविश्वसनीय NL→query कंपाइलर के लिए है:```bash
export ANTHROPIC_API_KEY=...   # used only by the untrusted NL→query compiler
docker compose up              # brings up the engine, API, and UI
# open http://localhost:8501

वह HTTP + Streamlit सतह एक स्थानीय, सिंगल-टेनेंट डेमो है। पहचान एक स्पूफ़ करने योग्य X-Identity हेडर से आती है, इसलिए यह अपनी ही मशीन पर एक विश्वसनीय ऑपरेटर के लिए है, सार्वजनिक परिनियोजन के लिए नहीं (देखें ये सतहें क्या हैं, और क्या नहीं हैं)। स्थानीय गैर-Docker सेटअप, परीक्षण चलाने, और कॉन्फ़िगरेशन नॉब्स के लिए, देखें SETUP.md।


मुख्य बात: एक हमला गैलरी

कोई भी गोपनीयता का दावा कर सकता है। यह रिपॉज़िटरी उन एक्सप्लॉइट्स को शिप करती है जो दावे को तोड़ देंगे, उन्हें अपने ही इंजन के विरुद्ध चलाती है, और परिणामों को CI में पिन करती है। गेटवे क्या गारंटी देता है, यह समझने का सबसे तेज़ तरीका है इसे तीन क्लासिक हमलों को हराते हुए देखना जो भोले "डेटाबेस क्वेरी करें" सिस्टम को तोड़ देते हैं।

हमला 1: डिफ़रेंसिंग हमला

एक डिफ़रेंसिंग हमला दो एग्रीगेट प्रश्न पूछकर एक व्यक्ति को अलग करता है जो ठीक उस व्यक्ति से भिन्न होते हैं।``` Query A: "Total income of all 100 people in department X." → $7,240,000 Query B: "Total income of all people in department X except Alice." → $7,135,000 Attacker computes: A − B = $105,000 ← Alice's exact salary, leaked.

दोनों क्वेरीज़ "केवल एग्रीगेट" हैं। कोई भी एकल पंक्ति का नाम नहीं लेती। फिर भी साथ मिलकर वे एक व्यक्ति को उजागर कर देती हैं। गैलरी (`attacks/differencing.py`) दिखाती है कि यह हमला **गोपनीयता अक्षम होने पर सफल होता है**: लक्ष्य का निजी मान ठीक-ठीक पुनः प्राप्त हो जाता है। (ऊपर दिया गया वेतन उदाहरण केवल दृष्टांत है; वास्तविक UCI Adult डेटा पर, "Alice" अपने समूह के अधिकतम capital gain की एकमात्र धारक है।) फिर यह दिखाती है कि वही हमला **DP चालू होते ही विफल हो जाता है**: प्रत्येक उत्तर पर अंशांकित शोर घटाव को बेकार कर देता है, और बजट लेखाकार *दोनों* क्वेरीज़ में जारी की गई जानकारी के लिए शुल्क लेता है, न कि उन्हें स्वतंत्र मानकर।

### हमला 2: सदस्यता अनुमान

एक सदस्यता-अनुमान हमला यह निर्धारित करता है कि कोई *विशिष्ट व्यक्ति* डेटासेट में है या नहीं। कई डेटासेटों के लिए (एक चिकित्सा अध्ययन, चूककर्ताओं की सूची), यह तथ्य स्वयं ही संवेदनशील होता है। केवल क्वेरी पहुँच रखने वाला हमलावर यह तय करने का प्रयास करता है: "क्या यह ठीक यही व्यक्ति डेटा में है?"

गैलरी इस हमले को गोपनीयता बजटों (ε, वह डायल जो उत्तर की सटीकता के बदले गोपनीयता का सौदा करता है) की एक श्रृंखला पर चलाती है और परिणाम को आरेखित करती है:

![सदस्यता-अनुमान सफलता दर बनाम ε, साथ में उपयोगिता वक्र अध्यारोपित](https://assets.kitploit.com/production/public/readmes/46433/eff546e223fe14c501641da0b19f406a6a9983bc1f2b1b6a1715613ff1904c97.png)
टूल डाउनलोड करें

सबसे लोकप्रिय

सभी देखें →

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

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 अंतिम OSINT टूलकिट: जाँच ग्राफ़, विश्वास स्कोरिंग, उपनाम परिवार, मानचित्र, टाइमलाइन और रिपोर्ट। 49 मॉड्यूल, 400+ साइटें, किसी API कुंजी की आवश्यकता नहीं।

    927
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # घोस्टलॉक वन-टैप निष्पादन ऐप (CVE-2026-43499)

    555
  • 3

    redforge

    cybersecurity91/redforge

    ब्राउज़र-साइड रेड टीम टूलकिट, जिसमें रेकॉन, पेलोड जनरेशन, क्रेडेंशियल हमलों, क्रिप्टो, एन्कोडिंग और एंगेजमेंट रिपोर्टिंग के लिए 102 ऑफ़लाइन टूल्स हैं।

    360
  • 4

    ARTEX

    baarai/artex

    प्लानर/वर्कर एजेंट, एसेट और एक्सप्लोरेशन ग्राफ़, MITM ट्रैफ़िक रिकॉर्डिंग, और भेद्यता पुनःपरीक्षण के साथ LLM मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म।

    357
  • 5

    looking-glass

    anonghosty/looking-glass

    CSIRT प्लेटफ़ॉर्म जो Shadowserver रिपोर्ट्स को MongoDB में इनजेस्ट करता है और उन्हें इंटरैक्टिव मैप्स, विश्लेषण, निष्कर्षों, सलाहों और कार्यकारी डैशबोर्ड के रूप में पुनः प्रस्तुत करता है।

    324
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI-मूल साइबरसुरक्षा के लिए कार्रवाई की प्रणाली—जहाँ इरादा नियंत्रित निष्पादन बन जाता है, साक्ष्य परिचालन स्मृति बन जाता है, और हर ऑपरेशन अगले को बेहतर बनाता है।

    289

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →