Assistente de cibersegurança isolado para profissionais de segurança. Ferramenta de análise 100% offline com inteligência artificial para Nmap, Volatility, BloodHound, Metasploit, YARA e muito mais. Projetada para ambientes onde IA na nuvem não está disponível.
Syd é um assistente de testes de penetração em ambiente isolado (air-gapped) que analisa saídas de varreduras usando LLMs locais e geração aumentada por recuperação. Funciona inteiramente no seu laptop sem exigir conectividade com a internet ou chaves de API.
Syd analisa saídas técnicas de varreduras (Nmap, BloodHound, Volatility) e responde perguntas em inglês simples. Em vez de revisar manualmente centenas de páginas de resultados, você pode fazer perguntas específicas e obter respostas baseadas em evidências fundamentadas nos seus dados reais de varredura.
Ferramentas Suportadas:
Principais Recursos:
Syd usa um pipeline de três estágios:
O estágio de extração de fatos usa regex e análise estruturada (sem LLM). Isso garante extração de dados 100% precisa. O LLM gera apenas explicações em linguagem natural com base em fatos verificados.
A validação verifica cada resposta gerada contra os fatos extraídos. Se o LLM mencionar dados não presentes na sua varredura (PIDs, endereços IP, nomes de host, etc.), a resposta é rejeitada.
Hardware:
Software:
Configuração Testada:
Execute um comando e tudo é tratado automaticamente:
python setup.py
Este script irá:
Tempo necessário: 15-30 minutos (principalmente download)
Nenhuma conta HuggingFace necessária. Os índices FAISS estão incluídos no repositório.
Se o setup.py falhar, instale manualmente:
pip install -r requirements.txt
Baixe o modelo do HuggingFace:
Execute o Syd:
python syd.py
Consulte INSTALL.md para solução de problemas detalhada.
Testado em dados reais de pentest:
A camada de validação previne alucinações. Respostas que referenciam dados inexistentes são bloqueadas.
Syd_V3/
├── syd.py # Aplicação principal
├── nmap_fact_extractor.py # Analisador Nmap
├── bloodhound_fact_extractor.py # Analisador BloodHound
├── volatility_fact_extractor.py # Analisador Volatility
├── bloodhound_analyzer.py # Lógica de análise BloodHound
├── volatility_analyzer.py # Lógica de análise Volatility
├── knowledge_bases/ # Documentação técnica
│ ├── bloodhound/
│ └── volatility/
├── rag_engine/
│ ├── models/ # Modelos LLM (formato GGUF)
│ └── embeddings/ # Índices FAISS
└── chunk_and_embed_*.py # Scripts de indexação da base de conhecimento
LLM: Qwen 2.5 14B (quantização Q5_K_M) Embeddings: all-MiniLM-L6-v2 (sentence-transformers) Banco Vetorial: FAISS (otimizado para CPU) GUI: tkinter (multiplataforma)
Temperatura: 0,05-0,1 (baixa para reduzir alucinações) Penalidade de repetição: 2,8-3,2 (evitar looping) Janela de contexto: 4096-8192 tokens
Projetado para cenários típicos de pentest (10-500 hosts). Varreduras em escala empresarial podem exigir fragmentação.
Modelo não encontrado:
rag_engine/models/qwen2.5-14b-instruct-q5_k_m.ggufÍndice FAISS não encontrado:
python chunk_and_embed_*.pyrag_engine/embeddings/customers/Memória insuficiente:
Desempenho lento:
Suporte da Comunidade:
Suporte Profissional: Se você está em um ambiente isolado e está com dificuldades na configuração, ofereço instalações USB pré-configuradas por um pequeno custo. Tudo incluso e testado.
Contato: [email protected]
Recursos:
Particularmente interessado em:
Consulte CONTRIBUTING.md para diretrizes.
Licença MIT – Consulte o arquivo LICENSE
Construído usando:
Desenvolvido e testado em dados reais de testes de penetração.
Autor: Paul Armstrong (@Sydsec) Website: https://sydsec.co.uk YouTube: https://www.youtube.com/@paularmstrong8306