Предварительные требования

• Docker 24+ и Docker Compose v2
• Минимум 16 ГБ ОЗУ (Ollama загружает модели в память; 8 ГБ работает только для маленьких моделей)
• 20 ГБ свободного места на диске для базовых образов и хотя бы одной модели
• x86-64 CPU; Apple Silicon и ARM64 поддерживаются, но не протестированы

GPU опционален. Ollama работает на CPU, но инференс будет медленным без GPU.

Быстрый старт

git clone https://github.com/sonuoffsec/DVAP
cd DVAP
cp .env.example .env
docker compose up -d

Откройте http://localhost:8080, когда все контейнеры будут здоровы. Первый запуск занимает 30-60 секунд.

Содержание

• Предварительные требования
• Быстрый старт
• Что такое DVAP?
• Зачем нужен DVAP?
• Чем DVAP отличается
• Ключевые возможности
• Обзор платформы
• Демо
• Скриншоты
• Лаборатории
• Покрытие OWASP LLM Top 10
• Архитектура
• Архитектура безопасности
• Сервисы
• Переменные окружения
• Обновление
• Разработка против Продакшена
• Запуск тестов
• Дорожная карта
• Управление
• Вклад
• Лицензия

Что такое DVAP?

DVAP — это открытая платформа для исследований, обучения, бенчмаркинга и red teaming в области безопасности AI, предназначенная для специалистов по безопасности, AI-инженеров, исследователей, студентов и организаций, чтобы понять, как современные AI-системы выходят из строя и как их защищать.

Созданная для эры AI, DVAP предоставляет намеренно уязвимые AI-приложения, агентов, RAG-системы, MCP-интеграции и домен-специфичные среды, которые можно атаковать, анализировать, бенчмаркать и защищать.

В отличие от облачных AI-песочниц, DVAP работает полностью на вашей машине.

Никакого облака. Никаких подписок. Никаких затрат на API. Никакой привязки к вендору.

Зачем нужен DVAP?

Современные AI-приложения вводят совершенно новые поверхности атак:

• Инъекция промптов
• Отравление памяти
• Отравление RAG
• Злоупотребление инструментами
• Эксплуатация MCP
• Многоагентные атаки
• Манипуляция автономными агентами
• Эксфильтрация данных
• Сбои идентификации и доверия
• Риски цепочки поставок AI

Однако не существует единой платформы, которая позволяла бы исследователям безопасно изучать, практиковать, бенчмаркать и проверять эти атаки в одном месте.

DVAP стремится стать определяющей открытой платформой для обучения, исследований и экспериментов в области безопасности AI.

Чем DVAP отличается

DVAP — одна из первых платформ, объединяющих практические AI-лаборатории атак, локальный бенчмаркинг LLM, CTF-задачи и профессиональную отчетность в единой самостоятельно размещаемой среде.

Ключевые возможности

AI-лаборатории безопасности 15 намеренно уязвимых лабораторий, охватывающих реальные техники AI-атак.

Исследовательское рабочее пространство Просматривайте промпты, память, вызовы инструментов, извлеченные документы, действия агентов и цепочки атак.

Бенчмаркинг безопасности Оценивайте локальные и внешние модели с помощью наборов AI-атак безопасности.

Capture The Flag (CTF) Изучайте безопасность AI через направленные задания, флаги, подсказки и прохождения.

Движок отчетности Создавайте профессиональные отчеты о находках и бенчмарках с привязкой к OWASP LLM Top 10, MITRE ATLAS, CWE и CVSS.

100% Локально Запускайте все на своей машине. Ваши промпты, данные, находки и эксперименты никогда не покидают вашу среду.

Обзор платформы

🎬 Демо

📸 Скриншоты

🖥️ Исследовательский командный центр

_{Исследовательский командный центр  ·  Активность платформы в реальном времени, таблица лидеров бенчмарков моделей, прогресс по захвату флагов и состояние сервисов в едином операционном виде.}

🧩 Модули платформы

🛡️ Панель находок

_{Панель находок  ·  Отслеживайте, сортируйте и документируйте находки безопасности с оценками серьезности, привязкой к OWASP LLM Top 10, техникам MITRE ATLAS и отчетами, готовыми к экспорту.}

Лаборатории

15 контейнеризированных лабораторий, каждая с флагами, подсказками, прохождением и привязкой к OWASP LLM Top 10 + MITRE ATLAS.

Каждая лаборатория работает в изолированном Docker-контейнере со своей конечной точкой LLM на базе Ollama.

Покрытие OWASP LLM Top 10

DVAP соответствует OWASP Top 10 для приложений на больших языковых моделях. Каждая категория привязана к одной или нескольким специализированным лабораториям.

8 из 10 категорий покрыты 15 лабораториями. LLM04 и LLM10 находятся в дорожной карте v1.2.

Архитектура

graph TB
    User([User Browser]) --> Nginx[Nginx :8080]
    Nginx --> Web[Next.js Frontend :3000]
    Nginx --> API[FastAPI Backend :8000]

    API --> PG[(PostgreSQL)]
    API --> Redis[(Redis)]
    API --> Qdrant[(Qdrant)]
    API --> Sock[Docker Socket]

    Sock --> L1[Lab Container]
    Sock --> L2[Lab Container]
    Sock --> LN[Lab Container ...]

    L1 --> Ollama[Ollama :11434]
    L2 --> Ollama
    LN --> Ollama

    subgraph dvap-internal network
        Web
        API
        PG
        Redis
        Qdrant
    end

    subgraph dvap-labs network
        L1
        L2
        LN
        Ollama
    end

Контейнеры лабораторий изолированы в отдельной Docker-сети. Они могут обращаться к Ollama для инференса LLM, но не могут достучаться до базы данных, Redis или Qdrant.

Архитектура безопасности

Изоляция сети

Две Docker-сети изолируют трафик лабораторий от инфраструктуры платформы:

• dvap-internal (172.20.0.0/24) - PostgreSQL, Redis, Qdrant, API, фронтенд, Nginx
• dvap-labs (172.21.0.0/24) - контейнеры лабораторий и Ollama

Контейнеры лабораторий могут получать доступ к Ollama и ни к чему больше во внутренней сети. Они не могут достучаться до PostgreSQL, Redis или Qdrant.

Доступ к Docker-сокету

Известный компромисс: API-контейнер монтирует /var/run/docker.sock, чтобы создавать и останавливать контейнеры лабораторий по требованию (Docker-out-of-Docker). Это предоставляет процессу API доступ, эквивалентный root, к демону Docker хоста.

Это осознанное проектное решение. DVAP — это локальная однопользовательская установка для исследований и обучения безопасности, а не мультитенантный сервис. Компромисс принят, потому что:

• Нет сетевого административного интерфейса, который мог бы запускать произвольные операции с контейнерами
• Ограничения ресурсов контейнеров лабораторий (512 МБ ОЗУ, 0.5 CPU) предотвращают истощение ресурсов
• Образы лабораторий собираются из контролируемых Dockerfile в этом репозитории

Если вы разворачиваете DVAP в общей или сетевой среде, замените монтирование сокета на rootless Docker-сокет или Podman-сокет (/run/user/1000/podman/podman.sock) и соответствующим образом ограничьте сетевой доступ к API.

TTL экземпляров

Экземпляры лабораторий автоматически останавливаются через 1 час с помощью ключей TTL в Redis. Вызов POST /api/v1/instances/cleanup запускает досрочную очистку.

Ограничение частоты запросов

Отправка флагов ограничена 15 попытками за 60-секундное окно на один токен сессии.

Сервисы

Переменные окружения

Смотрите .env.example для всех переменных. Ключевые, которые нужно изменить перед любым сетевым развертыванием:

SECRET_KEY=          # сильное случайное значение для подписи HMAC
POSTGRES_PASSWORD=   # измените с значения по умолчанию
REDIS_PASSWORD=      # измените с значения по умолчанию

Обновление

Одна команда обновляет вашу установку:

make upgrade

Это выполняет git pull, затем пересобирает и перезапускает все контейнеры. Миграции базы данных выполняются автоматически при каждом запуске API-контейнера.

Без make:

git pull
docker compose up -d --build

Что обновляется автоматически

• Код бэкенда и конечные точки API
• Панель управления фронтенда
• Схема базы данных (миграции Alembic)
• Определения лабораторий

Что никогда не трогается

• Ваши данные (находки, исследовательские сессии, результаты бенчмарков, кампании)
• Ваш файл .env

Проверка новых переменных окружения

diff .env .env.example

Разработка против Продакшена

# Разработка (по умолчанию) - автоматически загружает docker-compose.override.yml
# Горячая перезагрузка для API и фронтенда, исходники смонтированы как тома
docker compose up -d

# Продакшен - собранные образы, без монтирования томов, 4 рабочих процесса uvicorn
docker compose -f docker-compose.yml up -d

Соберите образы перед продакшен-запуском:

docker build -t dvap-api:latest --target production ./backend
docker build -t dvap-web:latest --target production ./frontend

Запуск тестов

Тесты требуют экземпляра PostgreSQL. Сначала запустите стек:

docker compose up -d postgres
export TEST_DATABASE_URL=postgresql+asyncpg://dvap:<your-postgres-password>@localhost:5432/dvap_test
cd backend
pip install -e ".[dev]"
pytest

Дорожная карта

v1.1 - Расширенное покрытие лабораторий

• Лаборатория безопасности агентов LangChain
• Лаборатория безопасности мультиагентов CrewAI
• Лаборатория безопасности RAG на LlamaIndex
• Лаборатория автономных агентов в стиле AutoGPT

v1.2 - Расширенный бенчмаркинг

• Поддержка моделей API OpenAI и Anthropic
• Сборщик пользовательских наборов бенчмарков
• Отчеты сравнения бенчмарков между версиями моделей
• Автоматическое регрессионное тестирование безопасности моделей

v1.3 - Улучшения платформы

• Поддержка нескольких пользователей с изоляцией сессий
• Расширение VS Code для исследовательского рабочего пространства
• Интеграция с GitHub Actions для тестирования безопасности в CI/CD
• Система прогрессии сложности лабораторий

v2.0 - Автоматизация Red Team для AI

• Автоматическая генерация цепочек атак
• Обнаружение уязвимостей с помощью AI
• Шаблоны кампаний Red Team
• Интеграция с популярными инструментами безопасности (Burp Suite, Metasploit)

Хотите внести вклад в дорожную карту? Откройте issue или начните обсуждение.

Управление

DVAP разрабатывается и поддерживается Sonu Chaudhary.

Вклад сообщества приветствуется и регулируется рекомендациями по вкладу. Долгосрочное направление определяется через Issues и Discussions на GitHub. Добавление лабораторий, предложения функций и ввод по дорожной карте рассматриваются публично.

Нет риска единой точки отказа: репозиторий имеет открытый исходный код под лицензией Apache 2.0 и может быть форкнут сообществом в любое время.

Вклад

Смотрите CONTRIBUTING.md о том, как добавлять лаборатории, запускать тесты и отправлять pull request.

Лицензия

Apache 2.0 — смотрите LICENSE для полного текста.