Air-gapped cybersecurity assistant for security professionals. 100% offline AI-powered analysis tool for Nmap, Volatility, BloodHound, Metasploit, YARA, and more. Built for environments where cloud AI isn't available.
Syd एक एयर-गैप्ड पैठ परीक्षण सहायक है जो स्थानीय LLM और पुनर्प्राप्ति-संवर्धित पीढ़ी का उपयोग करके स्कैन आउटपुट का विश्लेषण करता है। यह पूरी तरह से आपके लैपटॉप पर चलता है जिसके लिए इंटरनेट कनेक्टिविटी या API कुंजियों की आवश्यकता नहीं है।
Syd तकनीकी स्कैन आउटपुट (Nmap, BloodHound, Volatility) को पार्स करता है और सादे अंग्रेजी में प्रश्नों के उत्तर देता है। सैकड़ों पृष्ठों के परिणामों को मैन्युअल रूप से समीक्षा करने के बजाय, आप विशिष्ट प्रश्न पूछ सकते हैं और अपने वास्तविक स्कैन डेटा पर आधारित साक्ष्य-आधारित उत्तर प्राप्त कर सकते हैं।
समर्थित उपकरण:
मुख्य विशेषताएं:
Syd तीन-चरणीय पाइपलाइन का उपयोग करता है:
तथ्य निष्कर्षण चरण regex और संरचित पार्सिंग (कोई LLM नहीं) का उपयोग करता है। यह 100% सटीक डेटा निष्कर्षण सुनिश्चित करता है। LLM केवल सत्यापित तथ्यों के आधार पर प्राकृतिक भाषा स्पष्टीकरण उत्पन्न करता है।
सत्यापन प्रत्येक उत्पन्न उत्तर को निकाले गए तथ्यों के विरुद्ध जांचता है। यदि LLM आपके स्कैन में मौजूद नहीं डेटा (PIDs, IP पते, होस्टनाम, आदि) का उल्लेख करता है, तो उत्तर अस्वीकार कर दिया जाता है।
हार्डवेयर:
सॉफ्टवेयर:
परीक्षित कॉन्फ़िगरेशन:
एक कमांड चलाएँ और सब कुछ स्वचालित रूप से संभाला जाता है:
python setup.py
यह स्क्रिप्ट करेगी:
आवश्यक समय: 15-30 मिनट (अधिकतर डाउनलोडिंग)
कोई HuggingFace खाता आवश्यक नहीं है। FAISS सूचकांक रिपॉजिटरी में शामिल हैं।
यदि setup.py विफल होता है, तो मैन्युअल रूप से स्थापित करें:
pip install -r requirements.txt
HuggingFace से मॉडल डाउनलोड करें:
Syd चलाएँ:
python syd.py
विस्तृत समस्या निवारण के लिए INSTALL.md देखें।
वास्तविक पेंटेस्ट डेटा पर परीक्षण:
सत्यापन परत भ्रम को रोकती है। गैर-मौजूद डेटा को संदर्भित करने वाले उत्तर अवरुद्ध हो जाते हैं।
Syd_V3/
├── syd.py # मुख्य एप्लिकेशन
├── nmap_fact_extractor.py # Nmap पार्सर
├── bloodhound_fact_extractor.py # BloodHound पार्सर
├── volatility_fact_extractor.py # Volatility पार्सर
├── bloodhound_analyzer.py # BloodHound विश्लेषण तर्क
├── volatility_analyzer.py # Volatility विश्लेषण तर्क
├── knowledge_bases/ # तकनीकी दस्तावेज़ीकरण
│ ├── bloodhound/
│ └── volatility/
├── rag_engine/
│ ├── models/ # LLM मॉडल (GGUF प्रारूप)
│ └── embeddings/ # FAISS सूचकांक
└── chunk_and_embed_*.py # ज्ञान आधार अनुक्रमण स्क्रिप्ट
LLM: Qwen 2.5 14B (Q5_K_M क्वांटाइज़ेशन) एम्बेडिंग: all-MiniLM-L6-v2 (sentence-transformers) वेक्टर DB: FAISS (CPU-अनुकूलित) GUI: tkinter (क्रॉस-प्लेटफ़ॉर्म)
तापमान: 0.05-0.1 (भ्रम कम करने के लिए कम) पुनरावृत्ति दंड: 2.8-3.2 (लूपिंग रोकने के लिए) संदर्भ विंडो: 4096-8192 टोकन
सामान्य पेंटेस्ट परिदृश्यों (10-500 होस्ट) के लिए डिज़ाइन किया गया। एंटरप्राइज़-स्केल स्कैन के लिए चंकिंग की आवश्यकता हो सकती है।
मॉडल नहीं मिला:
rag_engine/models/ में मौजूद हैqwen2.5-14b-instruct-q5_k_m.ggufFAISS सूचकांक नहीं मिला:
python chunk_and_embed_*.py स्क्रिप्ट चलाएँrag_engine/embeddings/customers/ में .faiss और .pkl फ़ाइलों की जाँच करेंमेमोरी खत्म:
धीमा प्रदर्शन:
सामुदायिक सहायता:
व्यावसायिक सहायता: यदि आप एयर-गैप्ड वातावरण में हैं और सेटअप में संघर्ष कर रहे हैं, तो मैं एक छोटे शुल्क पर पूर्व-कॉन्फ़िगर्ड USB स्थापनाएँ प्रदान करता हूँ। सब कुछ शामिल और परीक्षित।
संपर्क: [email protected]
संसाधन:
विशेष रूप से इसमें रुचि:
दिशानिर्देशों के लिए CONTRIBUTING.md देखें।
MIT लाइसेंस - LICENSE फ़ाइल देखें
इसका उपयोग करके बनाया गया:
वास्तविक पैठ परीक्षण डेटा पर विकसित और परीक्षित।
लेखक: Paul Armstrong (@Sydsec) वेबसाइट: https://sydsec.co.uk YouTube: https://www.youtube.com/@paularmstrong8306