Skip to content
KitploitKITPLOIT
StrumentiBlog
Invia
StrumentiBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

··Feed·Contatto·Privacy·© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
netsentryx — Una piattaforma di monitoraggio di rete basata su eventi che esegue cattura di pacchetti in tempo reale (Npcap), analisi del traffico a bassa latenza e rilevamento delle minacce non supervisionato tramite un Autoencoder PyTorch, supportata da un motore di allerta asincrono multi-canale. | Kitploit
Strumenti/GitHubGitHub/aman-sharma-dev/netsentryx
Strumenti DifensiviSniffing e Analisi dei PacchettiSicurezza di ReteSicurezza CloudThreat IntelligenceRilevamento IntrusioniRisposta agli IncidentiRilevamento di AnomalieAnalisi dei Log

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →
GitHubaman-sharma-dev/netsentryx

netsentryx

Vedi RepositorySito web
131 mese faNon ancora revisionato

Informazioni

Una piattaforma di monitoraggio di rete basata su eventi che esegue cattura di pacchetti in tempo reale (Npcap), analisi del traffico a bassa latenza e rilevamento delle minacce non supervisionato tramite un Autoencoder PyTorch, supportata da un motore di allerta asincrono multi-canale.

Condividi

NetSentryx PRO 🛡️

Motore di osservabilità di rete e rilevamento delle minacce in tempo reale, ad alte prestazioni e basato sull'IA

FastAPI PyTorch Python License: MIT Build Status

NetSentryx PRO è una piattaforma di monitoraggio di rete e threat intelligence di nuova generazione, basata su eventi. Combinando firme basate su regole con un Deep Autoencoder PyTorch, offre rilevamento di anomalie su pacchetti e netflow in meno di 10 ms, alerting automatizzato multi-canale (Slack, Discord, Email) e una dashboard SOC interattiva in tempo reale.


🏗️ Architettura del Sistema

Il seguente diagramma di flusso illustra l'ingestione dei dati, l'inferenza deep learning in tempo reale, la pipeline di alerting e il livello di visualizzazione WebSocket:

root@kitploit:~
flowchart TD
    subgraph Capture & Ingestion
        A[Network Interface / Packet Simulator] -->|Raw Traffic Events| B(Lightweight Event Bus)
        B -->|Packet Stream| C[Flow Aggregation Engine]
    end

    subgraph Deep Learning Inference
        C -->|Aggregated Telemetry Vectors| D[PyTorch TrafficAutoencoder]
        D -->|MSE Reconstruction Loss| E{Threshold Evaluation}
    end

    subgraph Alert Dispatch
        E -->|No Anomaly| F[Status: Optimal]
        E -->|Anomaly Detected| G[FastAPI BackgroundTasks]
        G -->|Save Event| H[(SQLite Datastore)]
        G -->|Broadcast WebSocket| I[HTML Live Dashboard]
        G -->|Dispatch Webhooks| J[Slack / Discord / Custom Webhook]
        G -->|Dispatch SMTP| K[Email Alerting]
    end

    style D fill:#EE4C2C,stroke:#fff,stroke-width:2px,color:#fff
    style I fill:#005571,stroke:#fff,stroke-width:2px,color:#fff
    style G fill:#00bf8f,stroke:#fff,stroke-width:2px,color:#fff

🚀 Caratteristiche Principali

  • ⚡ Ingestione del Traffico in Tempo Reale: aggrega i frame dei pacchetti in ricchi riepiloghi netflow al volo con latenza minima.
  • 🧠 Rilevamento di Anomalie con Deep Autoencoder PyTorch: utilizza una rete neurale PyTorch leggera (TrafficAutoencoder) per rilevare exploit zero-day sofisticati, scansioni o attacchi DDoS basandosi sull'errore di ricostruzione di feature multivariate.
  • 📈 Avvio Senza Addestramento Manuale: include fitting sintetico automatizzato e calibrazione statistica della soglia (Mean + 3 * Std) durante l'avvio del server, rendendolo pienamente funzionante fin da subito.
  • ⏱️ Latenza di Inferenza Inferiore a 10 ms: la pipeline di inferenza ottimizzata garantisce la valutazione in tempo reale di flussi di pacchetti ad alto throughput.
  • 📣 Invio di Avvisi Multi-Canale: invia in modo asincrono avvisi di intrusione dettagliati a webhook Slack, webhook Discord, API HTTP personalizzate ed email SMTP utilizzando BackgroundTasks di FastAPI.
  • 📊 Dashboard SOC Interattiva: elegante dashboard in modalità scura basata su Tailwind CSS, Chart.js e WebSocket per la visualizzazione in tempo reale delle metriche di throughput e dei feed di minacce live.

📁 Struttura del Progetto

root@kitploit:~
NetSentryx/
├── config/
│   ├── config.yaml          # System, dashboard, and alerting channel configurations
│   └── rules.yaml           # Threat detection thresholds and rule properties
├── src/
│   ├── alerts/
│   │   ├── ml_detection.py  # PyTorch TrafficAutoencoder & feature scaling
│   │   ├── manager.py       # Async alert dispatcher (Discord, Slack, Email)
│   │   └── detection.py     # Rule-based packet signature detection engine
│   ├── core/
│   │   ├── config_loader.py # Configuration loader utilities
│   │   ├── logger.py        # Database-integrated system logger
│   │   └── time_utils.py    # Timezone-aware timestamp utilities
│   ├── dashboard/
│   │   ├── templates/
│   │   │   └── index.html   # Live HTML5 Dashboard template
│   │   └── server.py        # FastAPI API Router and WebSocket broadcast controller
│   ├── database/
│   │   ├── manager.py       # SQLite connection & database actions
│   │   └── models.py        # SQLAlchemy schema definitions (Alerts, Logs, Flows)
│   ├── flows/
│   │   ├── capture.py       # Scapy packet sniffer thread
│   │   └── processor.py     # Flow aggregation and metric extractor
│   └── main.py              # Application entrypoint
└── main.py                  # Root script runner

🛠️ Guida Rapida e Configurazione

1. Prerequisiti

Assicurati di avere Python 3.10+ installato. Se acquisisci interfacce di rete live:

  • Windows: installa Npcap (seleziona "Install Npcap in WinPcap API-compatible Mode").
  • Linux: installa libpcap-dev tramite sudo apt-get install libpcap-dev.

2. Installazione

Clona il repository e installa le dipendenze (l'uso di uv è altamente consigliato per un'installazione più rapida):

root@kitploit:~
# Clone the repository
git clone https://github.com/yourusername/netsentryx.git
cd netsentryx

# Create virtual environment
python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

# Install requirements
pip install -r requirements.txt

3. Configurazione dell'Ambiente (.env)

Crea un file .env nella radice del progetto per configurare le credenziali di notifica:

root@kitploit:~
# Discord Configuration
DISCORD_ENABLED=true
DISCORD_WEBHOOK_URL="https://discord.com/api/webhooks/your-webhook-id/your-webhook-token"

# Slack Configuration
SLACK_ENABLED=true
SLACK_WEBHOOK_URL="https://hooks.slack.com/services/YOUR_WORKSPACE_ID/YOUR_CHANNEL_ID/YOUR_SECRET_TOKEN"

# SMTP Email Configuration
SMTP_ENABLED=true
SMTP_SERVER="smtp.gmail.com"
SMTP_PORT=587
SMTP_USERNAME="[email protected]"
SMTP_PASSWORD="your-app-password"
SMTP_FROM_EMAIL="[email protected]"
SMTP_TO_EMAIL="[email protected]"

4. Avvio della Piattaforma

🧪 Modalità Simulazione (include simulatore di traffico sintetico)

root@kitploit:~
python main.py --simulate

🌐 Modalità Sniffing Live (richiede privilegi di amministratore/sudo)

root@kitploit:~
python main.py

Apri il browser e vai su http://localhost:8000 per visualizzare la dashboard live.


📖 Documentazione API

Endpoint di Telemetria e Inferenza

  • URL: /api/v1/telemetry/analyze
  • Metodo: POST
  • Content-Type: application/json

Payload della Richiesta

root@kitploit:~
{
  "packet_count": 550,
  "byte_count": 850000,
  "flow_duration": 4.5,
  "syn_flag_ratio": 0.85,
  "port_entropy": 3.2,
  "byte_rate": 188888.8,
  "source_ip": "192.168.1.120",
  "dest_ip": "10.0.0.5",
  "protocol": "TCP"
}

Risposta (Traffico Normale)

root@kitploit:~
{
  "status": "NORMAL",
  "threat_level": "low",
  "anomaly_score": 0.3083,
  "threshold": 2.1319
}

Risposta (Traffico Anomalo)

root@kitploit:~
{
  "status": "ANOMALOUS",
  "threat_level": "critical",
  "anomaly_score": 117999.03,
  "threshold": 2.1319,
  "alert": {
    "id": 12,
    "timestamp": "2026-08-05T14:13:31.373Z",
    "rule_id": "ml_autoencoder_anomaly",
    "rule_name": "ML Autoencoder Anomaly",
    "source_ip": "192.168.1.120",
    "severity": "critical",
    "description": "Deep autoencoder reconstruction error exceeded anomaly threshold (score: 117999.0300, threshold: 2.1320).",
    "metrics": { ... }
  }
}

Query Storiche

EndpointMetodoDescrizioneRisposta di Esempio
/api/alertsGETRecupera i recenti avvisi di minaccia salvati nel DB[{"id": 1, "rule_name": "Port Scanning", ...}]
/api/flowsGETRecupera i recenti log di telemetria dei flussi di rete[{"source_ip": "192.168.1.10", "packet_count": 45, ...}]
/api/logsGETRecupera i log di audit del sistema backend[{"level": "INFO", "message": "ML engine trained...", ...}]

🛡️ Licenza

Questo progetto è distribuito sotto la Licenza MIT - consulta il file LICENSE per i dettagli.

Scarica lo strumento