Skip to content
KitploitKITPLOIT
FerramentasBlog
Enviar
FerramentasBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

··Feeds·Contato·Privacidade·© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
netsentryx — Uma plataforma de monitorização de rede orientada a eventos que realiza captura de pacotes em tempo real (Npcap), análise de tráfego de baixa latência e deteção de ameaças não supervisionada utilizando um Autoencoder PyTorch, suportada por um motor de alertas assíncrono multicanal. | Kitploit
Ferramentas/GitHubGitHub/aman-sharma-dev/netsentryx
Ferramentas DefensivasSniffing e Análise de PacotesSegurança de RedeSegurança na NuvemInteligência de AmeaçasDetecção de IntrusãoResposta a IncidentesDetecção de AnomaliasAnálise de Logs

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →
GitHubaman-sharma-dev/netsentryx

netsentryx

Ver RepositórioSite
13há 1 mêsAinda não revisado

Sobre

Uma plataforma de monitorização de rede orientada a eventos que realiza captura de pacotes em tempo real (Npcap), análise de tráfego de baixa latência e deteção de ameaças não supervisionada utilizando um Autoencoder PyTorch, suportada por um motor de alertas assíncrono multicanal.

Compartilhar

NetSentryx PRO 🛡️

Motor de Observabilidade de Rede e Detecção de Ameaças em Tempo Real, de Alto Desempenho e Orientado por IA

FastAPI PyTorch Python License: MIT Build Status

O NetSentryx PRO é uma plataforma de monitoramento de rede e inteligência de ameaças de próxima geração, orientada a eventos. Combinando assinaturas baseadas em regras com um Deep Autoencoder em PyTorch, ele oferece detecção de anomalias em pacotes e netflow em menos de 10ms, alertas automatizados multicanal (Slack, Discord, Email) e um dashboard SOC interativo em tempo real.


🏗️ Arquitetura do Sistema

O diagrama de fluxo a seguir ilustra a ingestão de dados, a inferência de deep learning em tempo real, o pipeline de alertas e a camada de visualização via 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

🚀 Principais Recursos

  • ⚡ Ingestão de Tráfego em Tempo Real: Agrega quadros de pacotes em resumos de netflow ricos em tempo real com latência mínima.
  • 🧠 Detecção de Anomalias com Deep Autoencoder em PyTorch: Utiliza uma rede neural PyTorch leve (TrafficAutoencoder) para detectar exploits zero-day sofisticados, varreduras ou ataques DDoS com base no erro de reconstrução de características multivariadas.
  • 📈 Inicialização sem Treinamento Manual: Apresenta ajuste sintético automatizado e calibração estatística de limiar (Mean + 3 * Std) durante a inicialização do servidor, tornando-o totalmente funcional pronto para uso.
  • ⏱️ Latência de Inferência Inferior a 10ms: Pipeline de inferência otimizado garante avaliação em tempo real de fluxos de pacotes de alta taxa de transferência.
  • 📣 Envio de Alertas Multicanal: Envia de forma assíncrona alertas detalhados de intrusão para webhooks do Slack, webhooks do Discord, APIs HTTP personalizadas e emails SMTP usando BackgroundTasks do FastAPI.
  • 📊 Dashboard SOC Interativo: Dashboard elegante em modo escuro, alimentado por Tailwind CSS, Chart.js e WebSockets para visualização em tempo real de métricas de throughput e feeds de ameaças ao vivo.

📁 Estrutura do Projeto

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

🛠️ Guia de Início Rápido e Configuração

1. Pré-requisitos

Certifique-se de ter o Python 3.10+ instalado. Se for capturar interfaces de rede ao vivo:

  • Windows: Instale o Npcap (selecione "Install Npcap in WinPcap API-compatible Mode").
  • Linux: Instale o libpcap-dev via sudo apt-get install libpcap-dev.

2. Instalação

Clone o repositório e instale as dependências (o uso do uv é altamente recomendado para uma instalação mais rápida):

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. Configuração do Ambiente (.env)

Crie um arquivo .env na raiz do projeto para configurar as credenciais de notificação:

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. Executando a Plataforma

🧪 Modo de Simulação (Inclui simulador de tráfego sintético)

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

🌐 Modo de Captura ao Vivo (Requer privilégios de administrador/sudo)

root@kitploit:~
python main.py

Abra seu navegador e acesse http://localhost:8000 para visualizar o dashboard ao vivo.


📖 Documentação da API

Endpoint de Telemetria e Inferência

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

Payload da Requisição

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"
}

Resposta (Tráfego Normal)

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

Resposta (Tráfego Anômalo)

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": { ... }
  }
}

Consultas Históricas

EndpointMétodoDescriçãoExemplo de Resposta
/api/alertsGETBusca alertas de ameaças recentes salvos no BD[{"id": 1, "rule_name": "Port Scanning", ...}]
/api/flowsGETBusca logs recentes de telemetria de fluxo de rede[{"source_ip": "192.168.1.10", "packet_count": 45, ...}]
/api/logsGETBusca logs de auditoria do sistema backend[{"level": "INFO", "message": "ML engine trained...", ...}]

🛡️ Licença

Este projeto está licenciado sob a Licença MIT - consulte o arquivo LICENSE para obter detalhes.

Baixar ferramenta