🤖 BruteForceAI - Ferramenta de Força Bruta em Login com IA

---

🎯 Sobre

BruteForceAI é uma ferramenta avançada de teste de penetração que revoluciona os ataques tradicionais de força bruta ao integrar Modelos de Linguagem de Grande Porte (LLM) para análise inteligente de formulários. A ferramenta identifica automaticamente os seletores de formulários de login usando IA e, em seguida, executa ataques sofisticados com múltiplas threads e padrões de comportamento semelhantes aos humanos.

🧠 Análise de Formulários Potencializada por LLM

• Estágio 1 (Análise por IA): O LLM analisa o conteúdo HTML para identificar elementos e seletores de formulários de login
• Estágio 2 (Ataque Inteligente): Executa ataques de força bruta inteligentes usando os seletores descobertos pela IA

🚀 Recursos Avançados de Ataque

• Execução com múltiplas threads com atrasos sincronizados
• Modos de ataque Bruteforce e Password Spray
• Temporização semelhante à humana com jitter e randomização
• Rotação de User-Agent para melhor evasão
• Notificações via webhook (Discord, Slack, Teams, Telegram)
• Registro abrangente com banco de dados SQLite

---

🌟 Histórico de Estrelas

---

✨ Recursos

🔍 Análise Inteligente

• Identificação de seletores de formulários potencializada por LLM (Ollama/Groq)
• Nova tentativa automática com aprendizado por feedback
• Detecção de mudanças no DOM para validação de sucesso
• Extração inteligente de conteúdo HTML

⚡ Ataques Avançados

• Modo Bruteforce: Tenta todas as combinações de nome de usuário/senha
• Modo Password Spray: Testa cada senha contra todos os nomes de usuário
• Execução com múltiplas threads (1-100+ threads)
• Atrasos sincronizados entre tentativas para o mesmo usuário

🎭 Técnicas de Evasão

• Rotação aleatória de User-Agent
• Atrasos configuráveis com jitter
• Padrões de temporização semelhantes aos humanos
• Suporte a proxy
• Controle de visibilidade do navegador

📊 Monitoramento e Notificações

• Notificações em tempo real via webhook em caso de sucesso
• Registro abrangente em SQLite
• Saída detalhada com carimbo de data/hora
• Encerramento com sucesso após as primeiras credenciais válidas
• Ignorar tentativas existentes (prevenção de duplicatas)

🛠️ Recursos Operacionais

• Captura de saída para arquivos
• Interface de terminal colorida
• Mecanismo de nova tentativa em erros de rede
• Forçar nova tentativa de tentativas existentes
• Ferramentas de gerenciamento de banco de dados
• Verificação automática de atualizações a partir de mordavid.com

---

🔧 Instalação

Pré-requisitos

# Python 3.8 or higher
python --version

Configurar um Ambiente Virtual (recomendado)

Mantenha as dependências isoladas do Python do seu sistema usando o venv integrado:

# 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: O passo python -m venv .venv só é necessário uma vez. Em cada nova sessão de terminal, execute novamente o comando de ativação (passo 2) antes de usar a ferramenta. Para sair do ambiente virtual, execute deactivate.

Instalar Dependências

# Install Python packages
pip install -r requirements.txt

# Install the Playwright browser
playwright install chromium

Pacotes necessários:

• playwright - Automação de navegador
• requests - Requisições HTTP
• PyYAML - Análise de YAML para verificações de atualização

Configuração de LLM

Opção 1: Ollama (Local)

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

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

Opção 2: Groq (Cloud)

1. Obtenha a chave de API no Groq Console
2. Use com --llm-provider groq --llm-api-key YOUR_KEY

🧠 Seleção de Modelo e Desempenho

Modelos Recomendados por Provedor

Ollama (Local):

• llama3.2:3b - Padrão, bom equilíbrio entre velocidade e qualidade
• llama3.2:1b - Mais rápido, modelo menor para análise rápida
• qwen2.5:3b - Alternativa com bom desempenho

Groq (Cloud):

• llama-3.3-70b-versatile - Padrão e Melhor - Modelo mais recente com qualidade superior (1 tentativa)
• llama3-70b-8192 - Alternativa rápida e confiável (1 tentativa)
• gemma2-9b-it - Opção leve, boa para formulários simples (1 tentativa)
• llama-3.1-8b-instant - ⚠️ Não recomendado (problemas de limitação de taxa, 3+ tentativas)

Dicas de Desempenho

# 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

📖 Uso

Comandos Básicos

Etapa 1: Analisar Formulários de Login

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

Estágio 2: Executar Ataque

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

Estrutura de Comandos

python BruteForceAI.py <command> [options]

Comandos Disponíveis

• analyze - Analisar formulários de login com LLM
• attack - Executar ataques de força bruta
• clean-db - Limpar tabelas do banco de dados
• check-updates - Verificar atualizações de software

---

🎯 Exemplos

1. Fluxo de Trabalho 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. Configuração Avançada de Ataque

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