🤖 BruteForceAI - Strumento di Brute Force per il Login basato sull'AI

---

🎯 Informazioni

BruteForceAI è uno strumento avanzato di penetration testing che rivoluziona i tradizionali attacchi di brute-force integrando Large Language Models (LLM) per l'analisi intelligente dei form. Lo strumento identifica automaticamente i selettori dei form di login tramite l'AI, per poi eseguire sofisticati attacchi multi-thread con pattern di comportamento simili a quelli umani.

🧠 Analisi dei Form basata su LLM

• Fase 1 (Analisi AI): l'LLM analizza il contenuto HTML per identificare gli elementi e i selettori del form di login
• Fase 2 (Attacco Intelligente): esegue attacchi di brute-force intelligenti utilizzando i selettori scoperti dall'AI

🚀 Funzionalità Avanzate di Attacco

• Esecuzione multi-thread con ritardi sincronizzati
• Modalità di attacco Bruteforce e Password Spray
• Tempi simili a quelli umani con jitter e randomizzazione
• Rotazione dello User-Agent per una migliore evasione
• Notifiche webhook (Discord, Slack, Teams, Telegram)
• Logging completo con database SQLite

---

🌟 Star History

---

✨ Funzionalità

🔍 Analisi Intelligente

• Identificazione dei selettori dei form basata su LLM (Ollama/Groq)
• Nuovo tentativo automatico con apprendimento dal feedback
• Rilevamento delle modifiche al DOM per la validazione del successo
• Estrazione intelligente del contenuto HTML

⚡ Attacchi Avanzati

• Modalità Bruteforce: prova tutte le combinazioni username/password
• Modalità Password Spray: testa ogni password su tutti gli username
• Esecuzione multi-thread (1-100+ thread)
• Ritardi sincronizzati tra i tentativi per lo stesso utente

🎭 Tecniche di Evasione

• Rotazione casuale dello User-Agent
• Ritardi configurabili con jitter
• Pattern temporali simili a quelli umani
• Supporto proxy
• Controllo della visibilità del browser

📊 Monitoraggio e Notifiche

• Notifiche webhook in tempo reale in caso di successo
• Logging completo su SQLite
• Output dettagliato con timestamp
• Uscita con successo dopo le prime credenziali valide
• Salto dei tentativi esistenti (prevenzione dei duplicati)

🛠️ Funzionalità Operative

• Cattura dell'output su file
• Interfaccia terminale colorata
• Meccanismo di nuovo tentativo in caso di errori di rete
• Forzatura del nuovo tentativo sui tentativi esistenti
• Strumenti di gestione del database
• Controllo automatico degli aggiornamenti da mordavid.com

---

🔧 Installazione

Prerequisiti

# Python 3.8 or higher
python --version

Configurare un ambiente virtuale (consigliato)

Mantieni le dipendenze isolate dal Python di sistema utilizzando il modulo integrato venv:

# 1. Create a virtual environment
python -m venv .venv

# 2. Activate it
#   Windows (PowerShell):
.venv\Scripts\Activate.ps1
#   Windows (cmd):
.venv\Scripts\activate.bat
#   macOS / Linux:
source .venv/bin/activate

Nota: il passaggio python -m venv .venv è necessario una sola volta. In ogni nuova sessione del terminale, rieseguire il comando di attivazione (passaggio 2) prima di utilizzare lo strumento. Per uscire dall'ambiente virtuale, eseguire deactivate.

Installare le dipendenze

# Install Python packages
pip install -r requirements.txt

# Install the Playwright browser
playwright install chromium

Pacchetti richiesti:

• playwright - Automazione del browser
• requests - Richieste HTTP
• PyYAML - Analisi YAML per i controlli degli aggiornamenti

Configurazione LLM

Opzione 1: Ollama (Locale)

# Install Ollama
curl -fsSL https://ollama.ai/install.sh | sh

# Pull recommended model
ollama pull llama3.2:3b

Opzione 2: Groq (Cloud)

1. Ottieni la chiave API dalla Groq Console
2. Usala con --llm-provider groq --llm-api-key YOUR_KEY

🧠 Selezione del modello e prestazioni

Modelli consigliati per provider

Ollama (locale):

• llama3.2:3b - Predefinito, buon equilibrio tra velocità e qualità
• llama3.2:1b - Il più veloce, modello più piccolo per analisi rapide
• qwen2.5:3b - Alternativa con buone prestazioni

Groq (Cloud):

• llama-3.3-70b-versatile - Predefinito e migliore - Modello più recente con qualità superiore (1 tentativo)
• llama3-70b-8192 - Alternativa veloce e affidabile (1 tentativo)
• gemma2-9b-it - Opzione leggera, adatta a moduli semplici (1 tentativo)
• llama-3.1-8b-instant - ⚠️ Non consigliato (problemi di rate limiting, 3+ tentativi)

Suggerimenti sulle prestazioni

# Best quality (recommended for complex forms)
python BruteForceAI.py analyze --urls targets.txt --llm-provider groq --llm-model llama-3.3-70b-versatile --llm-api-key YOUR_KEY

# Fast and reliable
python BruteForceAI.py analyze --urls targets.txt --llm-provider groq --llm-model llama3-70b-8192 --llm-api-key YOUR_KEY

# Lightweight for simple forms
python BruteForceAI.py analyze --urls targets.txt --llm-provider groq --llm-model gemma2-9b-it --llm-api-key YOUR_KEY

# Local processing (no API key needed)
python BruteForceAI.py analyze --urls targets.txt --llm-provider ollama --llm-model llama3.2:3b

📖 Utilizzo

Comandi di base

Fase 1: Analizzare i moduli di login

python BruteForceAI.py analyze --urls urls.txt --llm-provider ollama

Fase 2: Esecuzione dell'attacco

python BruteForceAI.py attack --urls urls.txt --usernames users.txt --passwords passwords.txt --threads 10

Struttura dei comandi

python BruteForceAI.py <command> [options]

Comandi Disponibili

• analyze - Analizza i moduli di login con LLM
• attack - Esegue attacchi brute-force
• clean-db - Pulisce le tabelle del database
• check-updates - Verifica la presenza di aggiornamenti software

---

🎯 Esempi

1. Flusso di lavoro completo

# Step 1: Analyze forms
python BruteForceAI.py analyze --urls targets.txt --llm-provider ollama --llm-model llama3.2:3b

# Step 2: Attack with 20 threads
python BruteForceAI.py attack --urls targets.txt --usernames users.txt --passwords passwords.txt --threads 20 --delay 5 --jitter 2

2. Configurazione avanzata degli attacchi

python BruteForceAI.py attack \
  --urls targets.txt \
  --usernames users.txt \
  --passwords passwords.txt \
  --mode passwordspray \
  --threads 15 \
  --delay 10 \
  --jitter 3 \
  --success-exit \
  --user-agents user_agents.txt \
  --verbose \
  --output results.txt