Syd

Assistente AI offline per il penetration testing. Incolla l'output dei tuoi strumenti, fai domande in italiano semplice, ottieni risposte basate sui tuoi dati reali. Nessuna connessione Internet, nessuna chiave API, nessun dato lascia la macchina.

Funziona interamente su CPU. Testato su hardware laptop standard.

Cosa supporta

• Nmap — Esportazioni XML. Chiedi cosa è in esecuzione, cosa è esposto, cosa guardare per primo.
• BloodHound — JSON SharpHound. Trova percorsi verso DA, account Kerberoastable, abusi ACL, delega senza vincoli.
• Volatility — Incolla l'output del plugin. Chiedi informazioni su processi sospetti, codice iniettato, connessioni di rete, meccanismi di persistenza.
• YARA — Risultati della scansione. Comprendi cosa ha attivato e perché, mappa le corrispondenze alle tecniche di attacco.
• NetExec — Incolla l'output. Identifica credenziali vincenti, opportunità di relay, vittorie rapide.
• PCAP — Analisi della cattura di pacchetti. Chiedi cosa è successo, quando e su cosa concentrarti.

Requisiti

• Windows 10/11
• 16 GB di RAM minimo (24 GB se vuoi che sia veloce)
• 15 GB di spazio libero su disco (il modello è ~9,7 GB)
• Python 3.10, 3.11 o 3.12 (non 3.13 — llama-cpp-python non ha ancora wheel precompilati per esso)

Testato su: AMD Ryzen AI 9 365, 24 GB di RAM. Tempo di risposta 2-5 secondi su quell'hardware. Su 16 GB funzionerà, ma chiudi prima tutto il resto.

Installazione

git clone https://github.com/Sydsec/syd
cd syd
python setup.py
python syd.py

Il setup scarica automaticamente il modello (~9,7 GB) e il modello di embedding (~90 MB). Nessun account HuggingFace necessario. Richiede 20-30 minuti a seconda della tua connessione. Una volta terminato, tutto funziona completamente offline.

Se riscontri errori durante l'installazione di llama-cpp-python, esegui questo manualmente prima di setup.py:

pip install llama-cpp-python==0.3.16 --force-reinstall --no-cache-dir --config-settings="cmake.args=-DGGML_AVX2=OFF;-DGGML_AVX=OFF;-DGGML_F16C=OFF;-DGGML_FMA=OFF"

Questo è un problema di compatibilità noto su alcune configurazioni Windows. I flag cmake disabilitano AVX2 che causa crash su alcune CPU.

Come funziona

Tre fasi. Prima, il file di scansione viene analizzato deterministicamente — nessuna IA, pura regex e parsing strutturato, quindi l'estrazione dei dati è sempre accurata. Secondo, recupera la documentazione tecnica pertinente dagli indici FAISS locali. Terzo, Qwen 2.5 14B genera una risposta usando solo quei fatti verificati.

La risposta viene poi controllata rispetto a ciò che era effettivamente nella tua scansione. Se il modello fa riferimento a un IP, processo o hostname che non era nei tuoi dati, la risposta viene bloccata e rigenerata. Questo è ciò che impedisce le allucinazioni.

Utilizzo

Carica un file o incolla l'output nella scheda pertinente. Clicca Analizza. Una volta completata l'analisi, digita le domande nella casella Chiedi a Syd.

Esempi che funzionano bene:

Nmap: "Quali host hanno la firma SMB disabilitata?" / "Mostrami tutti i servizi su porte non standard" / "Qual è la superficie d'attacco su 10.0.0.15?"

BloodHound: "Qual è il percorso più breve verso l'Amministratore di Dominio?" / "Quali utenti sono Kerberoastable?" / "Mostrami tutti i computer con delega senza vincoli"

Volatility: "Qual è il processo più sospetto?" / "Ci sono processi iniettati?" / "Elenca tutte le connessioni di rete esterne"

Risoluzione dei problemi

"Modello non trovato" — setup.py non è stato completato. Verifica che il modello esista in rag_engine/models/qwen2.5-14b-instruct-q5_k_m.gguf e sia di circa 9,7 GB. Se è più piccolo, il download è stato interrotto, cancellalo e riesegui setup.py.

Memoria esaurita — Chiudi il browser e tutto ciò che consuma RAM. 16 GB sono stretti, 24 GB sono comodi.

Primo avvio lento — Previsto. Il caricamento del modello richiede 10-20 secondi. Successivamente le query richiedono 2-5 secondi.

Errori FAISS — Gli indici sono inclusi nel repository. Se mancano o sono corrotti, esegui python build_all_databases.py.

Enterprise

Enterprise aggiunge l'analisi di Metasploit e Sliver C2 a tutto ciò che è in questo repository.

Se gestisci impegni di red team, conosci il problema — non puoi incollare l'output delle sessioni in ChatGPT a causa di NDA e dati dei clienti. Enterprise ti offre la stessa analisi AI, completamente offline, per le tue sessioni MSF e i beacon Sliver. Chiedi cosa è successo, verso cosa pivotare successivamente, cosa significano le credenziali nel contesto.

Contattaci: [email protected] o https://sydsec.co.uk

Video e demo

Tutorial e walkthrough su YouTube: https://www.youtube.com/@paularmstrong8306

Vale la pena guardarli prima di immergerti — mostrano il flusso di lavoro reale su dati di pentest veri.

Modello

Qwen 2.5 14B Instruct, quantizzazione Q5_K_M. Temperatura 0.05-0.1 per mantenere le risposte concise. Penalità di ripetizione 2.8-3.2. Finestra di contesto 8192 token.

Embeddings: all-MiniLM-L6-v2. Archivio vettoriale: FAISS (IndexFlatIP, similarità coseno).

Paul Armstrong — https://sydsec.co.uk — YouTube: https://www.youtube.com/@paularmstrong8306