Офлайн AI-ассистент по безопасности для тестирования на проникновение в изолированных сетях
Офлайн AI-ассистент для тестирования на проникновение. Вставьте вывод инструмента, задавайте вопросы на простом английском и получайте ответы, основанные на ваших фактических данных. Никакого подключения к интернету, никаких API-ключей, ничего не покидает машину.
Работает полностью на CPU. Протестировано на стандартном оборудовании ноутбуков.
Протестировано на: AMD Ryzen AI 9 365, 24 ГБ ОЗУ. Время запроса 2-5 секунд на этом оборудовании. На 16 ГБ будет работать, но сначала закройте всё остальное.
git clone https://github.com/Sydsec/syd
cd syd
python setup.py
python syd.py
Setup автоматически загружает модель (~9,7 ГБ) и модель эмбеддингов (~90 МБ). Аккаунт HuggingFace не требуется. Занимает 20-30 минут в зависимости от вашего соединения. После завершения всё работает полностью офлайн.
Если возникают ошибки при установке llama-cpp-python, выполните это вручную перед setup.py:
pip install llama-cpp-python==0.3.16 --force-reinstall --no-cache-dir --config-settings="cmake.args=-DGGML_AVX2=OFF;-DGGML_AVX=OFF;-DGGML_F16C=OFF;-DGGML_FMA=OFF"
Это известная проблема совместимости на некоторых конфигурациях Windows. Флаги cmake отключают AVX2, который вызывает сбои на определённых процессорах.
Три этапа. Сначала ваш файл сканирования анализируется детерминированно — без ИИ, чистый regex и структурированный разбор, так что извлечение данных всегда точное. Во-вторых, из локальных индексов FAISS извлекается соответствующая документация по техникам. В-третьих, Qwen 2.5 14B генерирует ответ, используя только проверенные факты.
Затем ответ проверяется на соответствие тому, что фактически было в вашем сканировании. Если модель ссылается на IP, процесс или имя хоста, которых нет в ваших данных, ответ блокируется и генерируется заново. Именно это предотвращает галлюцинации.
Загрузите файл или вставьте вывод в соответствующую вкладку. Нажмите «Analyse». После завершения анализа задавайте вопросы в поле «Ask Syd».
Примеры, которые хорошо работают:
Nmap: «Какие хосты имеют отключённую подпись SMB?» / «Покажи все сервисы на нестандартных портах» / «Какова поверхность атак на 10.0.0.15?»
BloodHound: «Какой кратчайший путь к Domain Admin?» / «Какие пользователи доступны для Kerberoast?» / «Покажи все компьютеры с неограниченным делегированием»
Volatility: «Какой самый подозрительный процесс?» / «Есть ли внедрённые процессы?» / «Выведи все внешние сетевые соединения»
«Модель не найдена» — setup.py не завершился. Проверьте, что модель существует по пути rag_engine/models/qwen2.5-14b-instruct-q5_k_m.gguf и её размер около 9,7 ГБ. Если она меньше, загрузка была прервана — удалите и запустите setup.py заново.
Нехватка памяти — Закройте браузер и всё остальное, что потребляет ОЗУ. 16 ГБ — на пределе, 24 ГБ — комфортно.
Первый запуск медленный — Ожидаемо. Загрузка модели занимает 10-20 секунд. После этого запросы выполняются за 2-5 секунд.
Ошибки FAISS — Индексы поставляются с репозиторием. Если они отсутствуют или повреждены, выполните python build_all_databases.py.
Корпоративная версия добавляет анализ Metasploit и Sliver C2 поверх всего, что есть в этом репозитории.
Если вы проводите Red Team-мероприятия, вы знаете проблему — нельзя вставлять вывод сессий в ChatGPT из-за NDA и данных клиентов. Корпоративная версия даёт тот же ИИ-анализ, полностью офлайн, для ваших сессий MSF и биконов Sliver. Спрашивайте, что произошло, куда переходить дальше, что означают учётные данные в контексте.
Свяжитесь: [email protected] или https://sydsec.co.uk
Учебные пособия и прохождения на YouTube: https://www.youtube.com/@paularmstrong8306
Стоит посмотреть перед погружением — показывается реальный рабочий процесс на настоящих данных пентеста.
Qwen 2.5 14B Instruct, квантизация Q5_K_M. Температура 0.05-0.1 для компактных ответов. Повторный штраф 2.8-3.2. Контекстное окно 8192 токенов.
Эмбеддинги: all-MiniLM-L6-v2. Векторное хранилище: FAISS (IndexFlatIP, косинусное сходство).
Paul Armstrong — https://sydsec.co.uk — YouTube: https://www.youtube.com/@paularmstrong8306