Ir al contenido

🧠 PROJEKT OMEGA: MODUL "SPECIALIST AI" (Taktisches Intelligenzzentrum)

Die Schnittstelle befindet sich strategisch zwischen "Werkzeuge" und "Dokumentation". Wir werden uns in drei Panels mit hoher Informationsdichte aufteilen.

0Lesungen

Strategische Vision: Wir werden eine hybride Künstliche Intelligenz (Lokal/Cloud) implementieren, die tief in die Plattform integriert ist. Es ist kein einfacher Chatbot, sondern ein synthetischer Cybersicherheitsanalyst mit Echtzeit-Lesezugriff auf die Infrastruktur (Datenbank) und doktrinem Zugang zur Wissensbibliothek (PDFs).

Die Schnittstelle befindet sich strategisch zwischen „Tools“ und „Dokumentation“. Wir werden uns in drei Panels mit hoher Informationsdichte unterteilen.

🟢 LINKES PANEL: OPERATIVES GEDÄCHTNIS (History & Retention)

Sección titulada «🟢 PANEL IZQUIERDO: MEMORIA OPERATIVA (History & Retention)»

In diesem Panel verwalten wir vergangenes Wissen.

  • Sitzungsliste: Kompakte Karten mit Titel, Datum und verwendetem Modell.
  • Taktisches Klassifizierungssystem:
    • ⭐ Favoriten (Priority Intel): Stern-Button. Wir werden die Konversation oben fixieren. Nützlich für aktive Untersuchungen.
    • 🔒 Persistenz (Permanente Verriegelung): Ein Toggle Switch (Schalter) in jedem Chat.
      • Status EIN: Der Chat wird abgesichert. Die automatischen Löschregeln werden ignoriert.
      • Status AUS: Der Chat ist ephemeral.
  • Retention-Konfiguration (Data Lifecycle):
    • Slider oder numerischer Input: „Nicht gesicherte Chats nach [ 7 ] Tagen autodestruieren“.
    • Button „Jetzt purgen“: Manuelle Cache-Bereinigung.

Der Hauptinteraktionsbereich. „Modern Terminal“-Stil (Dunkle Farben, Monospace-Schriftarten für Code).

  • Ausgabe-Bereich (Stream):
    • Vollständiges Markdown-Rendering (Tabellen, Listen, Codeblöcke mit Kopier-Button).
    • Quellenangaben: Wenn die KI ein Dokument verwendet, erscheint ein kleines, anklickbares Label: [Ref: MANUAL_3.2_BLIND_SQLI.pdf, pág 4].
    • Datenbeweise: Wenn wir die Datenbank abfragen, zeigen wir die generierte SQL-Abfrage in einem einklappbaren Menü an: [▶ Ver Query SQL].
  • Eingabe-Bereich (Kommandozeile):
    • Mehrzeiliger Text-Prompt.
    • Schaltfläche „Aktuellen Kontext anhängen“ (Wir werden den aktuellen Status des aktiven Scans hochladen).
  • Motor-Selektor (Unten-Rechts):
    • Ein unauffälliges, aber essentielles Dropdown-Menü in der unteren rechten Ecke.
    • Optionen:
      • 🔒 LOCAL: OMEGA BRAIN (Llama-3 / Mistral) -> Kostenlos, volle Privatsphäre, langsam.
      • ☁️ ONLINE: GOOGLE GEMINI 1.5 FLASH -> Extreme Geschwindigkeit, mittleres Reasoning.
      • 🧠 ONLINE: GOOGLE GEMINI 1.5 PRO -> Komplexes Reasoning, höhere Latenz.

🔵 RECHTES PANEL: AGENTENKONFIGURATION (Mission Profile)

Sección titulada «🔵 PANEL DERECHO: CONFIGURACIÓN DEL AGENTE (Mission Profile)»

Hier definieren wir, WER uns antwortet.

  • Agent-Auswahl (Person):
    • Standard: „Generalist Red Team“.
    • Benutzerdefiniert 1: „Dr. SQL Injection“ (Prompt zu 100 % auf unsere SQLi-Handbücher fokussiert).
    • Benutzerdefiniert 2: „Infrastrukturanalyst“ (Fokus auf Nmap und Dienste).
  • Verbindungsindikatoren (Status):
    • 📚 Docs Indexados: 14 PDFs (Status des Vector Store).
    • 🗄️ DB Connection: ACTIVE (Status von Text-to-SQL).

Damit die KI nützlich ist, müssen wir die „Punkte“ zwischen der Theorie (PDFs) und der Realität (Datenbank) verbinden.

A. Dokumentations-Subsystem (Vektorielles RAG)

Sección titulada «A. Subsistema Documental (RAG Vectorial)»

Die KI „liest“ die PDFs nicht jedes Mal neu. Wir werden eine Vektordatenbank (ChromaDB) verwenden.

  1. Ingestion: Beim Hochladen einer PDF zu /docs werden wir das System in „Chunks“ (Fragmente) von 500 Zeichen unterteilen.
  2. Embedding: Wir werden Text in numerische Vektoren umwandeln.
  3. Retrieval: Wenn wir fragen „Wie führen wir einen OOB-Angriff durch?“, sucht das System in den Handbüchern nach mathematisch ähnlichen Vektoren und übergibt diese der KI als versteckten Kontext.

Die KI hat Lesezugriff auf nmap_intel.db.

  1. Schema Awareness: Die KI weiß, dass eine Tabelle hosts mit den Spalten ip, os und services existiert.
  2. Übersetzung:
    • Benutzer: „Sag mir, welche Maschinen Windows haben und den Port 445 offen haben".
    • KI (intern): SELECT ip FROM hosts JOIN services ON hosts.id=services.host_id WHERE os LIKE '%Windows%' AND port=445;
  3. Antwort: Die KI erhält das JSON der Datenbank und antwortet uns in natürlicher Sprache.

Ein kleiner vorgeschalteter Klassifikator entscheidet, welches Subsystem aktiviert wird:

  • Fragen wir nach Theorie? -> Wir werden RAG (PDFs) aktivieren.
  • Fragen wir nach Zielen/aktuellem Status? -> Wir werden SQL (DB) aktivieren.
  • Fragen wir gemischt? -> Wir werden beide aktivieren.

3. PERSONAlISIERTE AGENTEN (DIE SPEZIALISTEN)

Sección titulada «3. AGENTES PERSONALIZADOS (LOS ESPECIALISTAS)»

Wir werden es ermöglichen, in JSON gespeicherte „Systemprofile“ zu erstellen.

Beispiel: Profil „SQLi-Inquisitor“

{
"name": "SQL Injection Specialist",
"model_preference": "cloud_gemini_pro",
"temperature": 0.2,
"system_prompt": "Eres un experto en explotación de bases de datos. Tu conocimiento se basa ESTRICTAMENTE en los manuales RED_TEAM_OPS proporcionados. Ignora cualquier vulnerabilidad que no sea SQLi. Si el usuario pregunta por XSS, responde brevemente y redirige a SQLi. Prioriza técnicas de evasión de WAF.",
"access_scope": ["docs_folder_sqli", "db_table_vulnerabilities"]
}

Wir müssen unsere SQLite-Datenbank (nmap_intel.db) erweitern, um diese fortgeschrittene Logik zu unterstützen.

-- Tabla para gestionar las sesiones de chat
CREATE TABLE ai_conversations (
id TEXT PRIMARY KEY, -- UUID
title TEXT, -- Generado por la IA o manual
agent_profile TEXT, -- 'general', 'sqli_expert', etc.
model_used TEXT, -- 'local_llama3', 'cloud_gemini'
is_favorite BOOLEAN DEFAULT 0, -- ⭐ La Estrellita
is_permanent BOOLEAN DEFAULT 0, -- 🔒 El Candado (Toggle)
created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
last_updated DATETIME
);
-- Tabla para los mensajes individuales
CREATE TABLE ai_messages (
id INTEGER PRIMARY KEY AUTOINCREMENT,
conversation_id TEXT,
role TEXT, -- 'user', 'assistant', 'system'
content TEXT, -- El texto del mensaje
context_sources TEXT, -- JSON: Qué PDFs o Tablas se usaron para esta respuesta
FOREIGN KEY(conversation_id) REFERENCES ai_conversations(id) ON DELETE CASCADE
);
-- Tabla para configuración global
CREATE TABLE ai_config (
key TEXT PRIMARY KEY,
value TEXT
-- Ej: 'retention_days' = '30'
);
  1. Der Operator (Wir): Wir treten in „Specialist AI“ ein. Wir wählen den Agenten „Recon Master“ aus. Wir aktivieren das Modell „Gemini Flash“.
  2. Die Frage: Wir werden schreiben: „Wir analysieren die aktuellen Ziele. Sehen wir ein Muster, das auf einen alten Entwicklungsserver hindeutet? Wir werden unsere Antwort auf das OPSEC-Handbuch stützen.“
  3. Der Prozess (Backend):
    • Der Router erkennt die Notwendigkeit von DB (um die Ziele zu sehen) und DOCS (für das OPSEC-Handbuch).
    • Wir werden SELECT * FROM services WHERE version LIKE '%dev%' OR version LIKE '%beta%' ausführen.
    • Wir werden nach Vektoren in PROTOCOLO_OMEGA_OPSEC.md suchen.
    • Wir senden alles an Gemini Flash.
  4. Die Antwort:
    • „Wir haben den Host 192.168.1.55 erkannt, der ‚Apache Tomcat 7.0-beta‘ ausführt. Gemäß dem ‚Omega Opsec-Protokoll‘ (S. 3) verfügen Beta-Server häufig über Standardanmeldedaten und ein ausführliches Logging. Wir empfehlen einen sofortigen Brute-Force-Angriff.“
  5. Verwaltung: Uns wird die Antwort gefallen. Wir werden ihr den Stern ⭐ geben und das Schloss 🔒 aktivieren, damit dieser Fund niemals gelöscht wird.