Nightcrawler

스마트폰에서 완전히 실행되는 자율 침투 테스트 에이전트입니다. 네트워크에 폰을 놓아두고 떠나면, 호스트를 발견하고 서비스를 매핑하며 취약점을 찾고 침투 테스트 보고서를 생성합니다 — 클라우드 연결 없이 말이죠.

 ░█▄░█ █ █▀▀ █░█ ▀█▀ █▀▀ █▀█ ▄▀█ █░█░█ █░░ █▀▀ █▀█
 ░█░▀█ █ █▄█ █▀█ ░█░ █▄▄ █▀▄ █▀█ ▀▄▀▄▀ █▄▄ ██▄ █▀▄  v0.1.0

 AUTONOMOUS MOBILE PENTEST AGENT
 OnePlus 8 · NetHunter · LFM2.5-1.2B · OpenCL GPU

이게 뭔가요?

침투 테스트(Pentesting) 는 네트워크 소유자의 명시적 허가를 받아 공격을 시뮬레이션하여 컴퓨터 네트워크의 보안을 테스트하는 관행입니다. 전문 침투 테스터는 실제 공격자가 발견하기 전에 취약점을 찾기 위해 고용됩니다.

Nightcrawler는 이 과정을 휴대폰에서 자동화합니다. 휴대폰 GPU에서 로컬로 실행되는 소형 AI 모델(LFM2.5-1.2B-Instruct-Heretic, 12억 파라미터)을 사용하여 다음에 무엇을 할지 — 어떤 호스트를 탐색할지, 어떤 도구를 사용할지, 무엇을 찾을지 — 결정합니다. 인터넷 연결이나 클라우드 API가 필요 없습니다.

데모

▶️ 인스타그램에서 Nightcrawler 작동 영상 보기

작동 방식

WiFi 침투 (선택 사항) — WiFi가 없는 환경에 배치된 경우, 외장 USB WiFi 어댑터를 사용하여 WPA2 네트워크를 자율적으로 크랙할 수 있습니다
정찰(Reconnaissance) — 스텔스 스캔을 사용하여 네트워크의 장치를 발견합니다
열거(Enumeration) — 발견된 서비스(웹 서버, 파일 공유, SSH, DNS 등)를 탐색합니다
익스플로잇(Exploitation) — 알려진 취약점과 기본 자격 증명을 테스트합니다
보고(Reporting) — 발견 사항과 수정 권고사항이 포함된 구조화된 침투 테스트 보고서를 생성합니다

이 에이전트는 인내심 있는 인간 침투 테스터처럼 작동합니다 — 호스트를 순회하며, 턴마다 작은 작업 하나를 수행하고, 수시간에 걸쳐 점진적으로 지식을 쌓습니다. 이는 모든 호스트를 한 번에 공격하는 기존 취약점 스캐너보다 훨씬 탐지하기 어렵게 만듭니다.

핵심 개념

용어	의미
드롭 박스(Drop box)	테스트를 자율적으로 수행하기 위해 대상 네트워크에 남겨진 장치
범위(Scope)	테스트가 승인된 네트워크/호스트의 집합
교전 규칙(ROE)	수행 가능한 작업을 명시하는 법적 문서
스텔스(Stealth)	네트워크 모니터링(IDS/IPS) 탐지를 피하는 기술
MCP	Model Context Protocol — AI 도구 사용을 위한 표준 인터페이스
C2	Command and Control — 에이전트를 모니터링하고 제어하는 웹 대시보드

아키텍처

┌──────────────────────────────────────────────────────────┐
│                   PHONE (OnePlus 8)                       │
│                                                           │
│  ┌─────────────┐     ┌──────────────────┐                │
│  │  LFM2.5     │     │  Agent Loop      │                │
│  │  1.2B model │◄───►│  (main.py)       │                │
│  │  on GPU     │     │  Decides what     │                │
│  │  (:8080)    │     │  to do next       │                │
│  └─────────────┘     └────────┬─────────┘                │
│                               │                           │
│                      ┌────────▼─────────┐                │
│                      │  Scope Proxy     │  ← Safety layer │
│                      │  Validates every │    Blocks out-  │
│                      │  command before  │    of-scope     │
│                      │  execution       │    actions      │
│                      └────────┬─────────┘                │
│                               │                           │
│                      ┌────────▼─────────┐                │
│                      │  Kali MCP Server │  ← Runs the    │
│                      │  nmap, curl,     │    actual       │
│                      │  smbclient, ...  │    commands     │
│                      └──────────────────┘                │
│                                                           │
│  ┌──────────────────┐  ┌──────────────────┐              │
│  │  Web Dashboard   │  │  SQLite DB       │              │
│  │  (:8888)         │  │  Hosts, vulns,   │              │
│  │  Monitor & steer │  │  creds, commands │              │
│  └──────────────────┘  └──────────────────┘              │
└──────────────────────────────────────────────────────────┘

전체 시스템 설계는 docs/ARCHITECTURE.md를 참조하세요.

기능

완전 자율 — 작동 중 인간 개입 불필요
100% 로컬 추론 — AI가 휴대폰 GPU에서 실행, 클라우드 불필요
범위 강제 — 범위 외 작업을 방지하는 2중 방어
스텔스 우선 — 느린 스캔 속도, 호스트 순환, 커버 트래픽, nmap -T2만 사용
27개 익스플로잇 플레이북 — 자동으로 실행되는 다단계 공격 체인
24,956개 항목 CVE 데이터베이스 — 버전 인식 취약점 매칭
웹 대시보드 — 실시간 모니터링, 호스트 관리, C2 제어
WiFi 침투 모드 — USB 어댑터를 통한 자율 WPA2 크랙(Pwnagotchi에서 영감)
수동적 발견 — mDNS/NBNS/DHCP/ARP 브로드캐스트 백그라운드 캡처
다중 네트워크 — 네트워크별 데이터 격리, MAC 키 호스트를 통한 DHCP 변경 대응
자가 복구 — 가비지 감지, 컨텍스트 리셋, 워치독, 중단 감지
학습 캡처 — 향후 모델 파인튜닝을 위한 성공적 상호작용 기록
보고서 생성 — 취약점, 익스플로잇 체인, 수정 권고사항이 포함된 다운로드 가능한 침투 테스트 보고서

전체 기능 참조는 docs/FEATURES.md를 참조하세요.

하드웨어

필수

Kali NetHunter가 설치된 Android 휴대폰 (OnePlus 8, Snapdragon 865에서 테스트됨)
Magisk를 통한 루트 액세스
12GB+ RAM (모델 약 1.3GB, Android 약 4GB, 나머지는 도구용)

선택 사항

오프라인 WiFi 침투 모드용 USB WiFi 어댑터 (Ralink RT3572 권장)
모니터 모드용 MAC80211 지원 커스텀 커널 (빌드 가이드)
Tailscale을 통해 더 큰 모델로 오프로딩하기 위한 NVIDIA AGX

GPU 성능

모든 추론은 Adreno 650 GPU에서 OpenCL을 통해 실행됩니다:

모델	양자화	프롬프트 속도	생성 속도
LFM2.5-1.2B-Instruct-Heretic (프로덕션)	Q8_0	115 tok/s	13 tok/s
Qwen3.5-0.8B	Q8_0	30.5 tok/s	6.3 tok/s
Qwen3.5-4B	Q4_0	10.1 tok/s	2.0 tok/s

참고: Android는 배터리 전원에서 GPU를 제한합니다(6배 느려짐). Nightcrawler에는 최대 성능을 강제하고 배터리가 ≤15%일 때 자동으로 제한하는 GPU 거버너 데몬이 포함되어 있습니다.

빠른 시작

# 1. 설치 (Kali NetHunter chroot 내부)
bash INSTALL.sh

# 2. llama-server 시작 대기 (부팅 후 약 5분)
curl -s http://127.0.0.1:8080/health  # {"status":"ok"} 반환해야 함

# 3. 모든 서비스 시작
bash scripts/run-36h.sh

# 4. 웹 대시보드 열기 (Tailscale 네트워크의 모든 장치에서)
# https://<your-tailscale-hostname>:8888

드라이 런 (실제 명령 실행 없음)

NC_DRY_RUN=1 python3 main.py

이 모드는 실제 네트워크 명령을 실행하지 않고 에이전트 루프를 테스트할 수 있도록 모의 Kali 서버를 사용합니다.

수동 시작 (tmux 런처를 사용하지 않는 경우)

kali-server-mcp --port 5000 &
python3 scope_proxy.py --config config.yaml --port 8800 --upstream http://127.0.0.1:5000 &
bash scripts/webui-daemon.sh start
python3 main.py &

설정

배포 전에 config.yaml을 편집하세요:

mission:
  id: "CLIENT-YYYY-XXX"           # Your engagement ID
  scope:
    networks: ["auto"]             # "auto" = detect from wlan0 at startup
    excluded_hosts: ["auto"]       # "auto" = gateway + self IP
    excluded_ports: [502, 503]     # SCADA/ICS ports to never touch
  authorization: "ROE-YYYY-XXX.pdf"
  max_runtime_hours: 0             # 0 = no limit

model:
  local:
    ctx_size: 8192
    port: 8080

동적 범위 감지는 네트워크 간 이동 시 설정 변경이 필요 없음을 의미합니다 — 에이전트는 시작 시 wlan0에서 현재 서브넷을 읽습니다.

프로젝트 구조

nightcrawler/
├── main.py                  # Entry point
├── config.yaml              # Mission scope + model config
├── scope_proxy.py           # Scope enforcement proxy
├── INSTALL.sh               # Installer
│
├── agent/                   # Core agent logic
│   ├── loop.py              # Decision loop + error recovery
│   ├── planner.py           # Phase state machine (recon → exploit)
│   ├── llm_client.py        # LLM API client (llama.cpp / remote)
│   ├── db.py                # SQLite backend (hosts, vulns, creds)
│   ├── host_memory.py       # Per-host observations + auto-tagging
│   ├── cve_db.py            # 24,956-entry CVE database
│   ├── attack_planner.py    # Strategic directives for exploit phase
│   ├── output_parser.py     # Extract structured data from tool output
│   ├── offline_manager.py   # WiFi breach pipeline state machine
│   ├── net_detect.py        # Auto-detect network from wlan0
│   ├── cover_traffic.py     # Stealth blending with realistic web traffic
│   ├── passive_capture.py   # Background tcpdump for broadcast traffic
│   └── ...
│
├── proxy/                   # Scope enforcement components
│   ├── scope.py             # IP/port/host validation
│   ├── rate_limiter.py      # Command rate limiting + jitter
│   └── command_filter.py    # Destructive command blocklist
│
├── webui/                   # Web dashboard (Flask)
│   ├── server.py            # API + stealth middleware
│   └── templates/index.html # Dashboard UI
│
├── data/                    # Static data files
│   ├── cve_exploits.json    # CVE→exploit command mappings
│   └── playbooks.json       # 27 multi-step attack playbooks
│
├── prompts/                 # LLM prompt templates (hot-reloadable)
├── scripts/                 # Operational scripts (start, stop, watchdogs)
├── tests/                   # Test suites (API, UI, offline mode)
├── kernels/                 # WiFi driver modules + kernel docs
├── simulation/              # Dry-run mock server
├── docs/                    # Architecture, GPU setup, features
├── logs/                    # Runtime data (gitignored)
└── models/                  # Model files (gitignored)

에이전트의 사고 방식

에이전트는 간단하지만 효과적인 루프를 사용합니다:

대상 선택 — 가중 무작위 선택 (70% 알려진 포트가 있는 호스트, 30% 새 발견)
컨텍스트 구축 — 호스트 메모리, 네트워크 관찰, 단계 지침을 프롬프트에 주입
LLM에 질문 — 모델이 REASONING: ... COMMAND: ... 생성
검증 — 범위 프록시가 명령이 범위 내에 있고 파괴적이지 않은지 확인
실행 — Kali MCP 서버를 통해 명령 실행
학습 — 출력 파서가 발견 사항을 추출, 호스트 메모리 업데이트
컨텍스트 리셋 — 대화를 지우고, 영구 메모리 유지, 반복

1.2B 모델은 약 50%의 명령 성공률을 가집니다(크기 고유의 특성). 에이전트는 다음으로 이를 보완합니다:

가비지 감지 — 다양한 퓨샷 예제로 5회 연속 리셋
중복 감지 — 도구/대상 다양화 강제
시간 기반 중단 감지 — 5분 백스톱이 컨텍스트 리셋 강제
직접 플레이북 실행 — 다단계 공격이 LLM을 완전히 우회

웹 대시보드

:8888의 대시보드는 실시간 모니터링과 제어를 제공합니다:

라이브 피드 — 모든 명령, 발견 사항, 에이전트 결정
호스트 카드 — 포트, 서비스, 취약점을 보여주는 클릭 가능한 카드
네트워크 맵 — 대화형 포스 기반 그래프 (드래그, 줌, 팬)
취약점 상세 — CVE 태그, 익스플로잇 체인, 수정 단계
C2 제어 — 호스트 즐겨찾기/블랙리스트, 단계 강제, 일시정지/재개, 명령 주입
오프라인 모드 — 애니메이션 얼굴이 있는 Pwnagotchi 스타일 WiFi 공격 UI

대시보드는 스텔스 필터링됩니다: nginx 헤더를 스푸핑하고 대상 네트워크의 연결에 빈 404를 반환합니다.

테스트 결과

여러 네트워크에서 72시간 이상의 자율 작동 결과:

네트워크당 30개 이상의 호스트 발견
2,000개 이상의 명령 자율 실행
여러 서비스에서 10개 이상의 취약점 발견
직접 실행을 통한 6개 이상의 플레이북 실행
전체 과정에서 에이전트 메모리 35-50MB 안정적 유지 (누수 없음)

기여

기여를 환영합니다! 지침은 CONTRIBUTING.md를 참조하세요.

도움이 필요한 분야

모델 파인튜닝 — 명령 형식 준수율을 약 50%에서 85%+로 개선
새 플레이북 — 더 많은 서비스에 대한 익스플로잇 체인 추가
CVE 데이터베이스 — 현재 24,956개 항목 이상으로 범위 확장
어댑터 지원 — 더 많은 USB WiFi 칩셋 테스트
문서화 — 다양한 휴대폰에 대한 튜토리얼, 설정 가이드
테스트 — 특히 엣지 케이스에 대한 더 많은 테스트 커버리지

개발 환경 설정

# Clone the repo
git clone https://github.com/garagehq/nightcrawler.git
cd nightcrawler

# Dry-run mode (no real commands, no hardware needed)
NC_DRY_RUN=1 python3 main.py

# Run tests
python3 -m pytest tests/

법적 고지

이 도구는 승인된 침투 테스트 전용입니다. Nightcrawler를 배포하기 전에 네트워크 소유자의 서면 허가(교전 규칙)가 있어야 합니다. 소유하지 않았거나 테스트 허가가 없는 네트워크에 대한 무단 사용은 불법입니다.

라이선스

MIT — 자세한 내용은 LICENSE를 참조하세요.

후원

이 프로젝트가 마음에 드신다면 커피 한 잔을 사주실 수 있습니다 ☕:

buymeacoffee.com/cyrilengmann

nightcrawler — Updated!

카테고리