Ir al contenido

🧠 PROYECTO OMEGA: MÓDULO "SPECIALIST AI" (Centro de Inteligencia Táctica)

La interfaz se sitúa estratégicamente entre "Herramientas" y "Documentación". Nos dividiremos en tres paneles de alta densidad de información.

0lecturas

Visión Estratégica: Implementaremos una Inteligencia Artificial Híbrida (Local/Nube) integrada profundamente en la plataforma. No es un simple chatbot; es un Analista de Ciberseguridad Sintético con acceso de lectura en tiempo real a la infraestructura (Base de Datos) y acceso doctrinal a la biblioteca de conocimiento (PDFs).

La interfaz se sitúa estratégicamente entre “Herramientas” y “Documentación”. Nos dividiremos en tres paneles de alta densidad de información.

🟢 PANEL IZQUIERDO: MEMORIA OPERATIVA (History & Retention)

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

Este panel gestionaremos el conocimiento pasado.

  • Listado de Sesiones: Tarjetas compactas con Título, Fecha y Modelo usado.
  • Sistema de Clasificación Táctica:
    • ⭐ Favoritos (Priority Intel): Botón de estrella. Fijaremos la conversación en la cima. Útil para investigaciones activas.
    • 🔒 Persistencia (Permanent Lock): Un Toggle Switch (Interruptor) en cada chat.
      • Estado ON: El chat se blindará. Ignoraremos las reglas de borrado automático.
      • Estado OFF: El chat será efímero.
  • Configuración de Retención (Data Lifecycle):
    • Slider o Input numérico: “Autodestruir chats no blindados después de: [ 7 ] días”.
    • Botón “Purgar Ahora”: Limpieza manual de caché.

⚫ PANEL CENTRAL: SALA DE GUERRA (The Chat Interface)

Sección titulada «⚫ PANEL CENTRAL: SALA DE GUERRA (The Chat Interface)»

El área de interacción principal. Estilo “Terminal Moderna” (Colores oscuros, fuentes monoespaciadas para código).

  • Output Area (Stream):
    • Renderizado Markdown completo (Tablas, Listas, Bloques de Código con botón de copia).
    • Citas de Fuentes: Cuando la IA usa un documento, aparecerá una pequeña etiqueta clicable: [Ref: MANUAL_3.2_BLIND_SQLI.pdf, pág 4].
    • Evidencia de Datos: Cuando consultemos la BBDD, mostraremos la query SQL generada en un desplegable colapsado: [▶ Ver Query SQL].
  • Input Area (Command Line):
    • Prompt de texto multilínea.
    • Botón “Adjuntar Contexto Actual” (Subiremos el estado actual del escaneo activo).
  • Selector de Motor (Bottom-Right):
    • Un menú desplegable discreto pero vital en la esquina inferior derecha.
    • Opciones:
      • 🔒 LOCAL: OMEGA BRAIN (Llama-3 / Mistral) -> Sin coste, privacidad total, lento.
      • ☁️ ONLINE: GOOGLE GEMINI 1.5 FLASH -> Velocidad extrema, razonamiento medio.
      • 🧠 ONLINE: GOOGLE GEMINI 1.5 PRO -> Razonamiento complejo, mayor latencia.

🔵 PANEL DERECHO: CONFIGURACIÓN DEL AGENTE (Mission Profile)

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

Aquí definiremos QUIÉN nos está respondiendo.

  • Selector de Agente (Persona):
    • Predeterminado: “Generalista Red Team”.
    • Personalizado 1: “Dr. SQL Injection” (Prompt enfocado 100% en nuestros manuales de SQLi).
    • Personalizado 2: “Analista de Infraestructura” (Enfocado en Nmap y Servicios).
  • Indicadores de Conexión (Status):
    • 📚 Docs Indexados: 14 PDFs (Estado del Vector Store).
    • 🗄️ DB Connection: ACTIVE (Estado del Text-to-SQL).

Para que la IA sea útil, debemos “conectar los puntos” entre la teoría (PDFs) y la realidad (BBDD).

La IA no “lee” los PDFs cada vez. Utilizaremos una base de datos vectorial (ChromaDB).

  1. Ingesta: Al subir un PDF a /docs, dividiremos el sistema en “chunks” (fragmentos) de 500 caracteres.
  2. Embedding: Convertiremos texto a vectores numéricos.
  3. Recuperación: Cuando preguntamos “¿Cómo hacemos un ataque OOB?”, el sistema buscará vectores matemáticamente similares en los manuales y se los pasará a la IA como contexto oculto.

B. Subsistema de Infraestructura (Text-to-SQL)

Sección titulada «B. Subsistema de Infraestructura (Text-to-SQL)»

La IA tiene permiso de lectura sobre nmap_intel.db.

  1. Schema Awareness: La IA conoce que existe una tabla hosts con columnas ip, os, y services.
  2. Traducción:
    • Usuario: “Dime qué máquinas tienen Windows y el puerto 445 abierto”.
    • IA (Interno): SELECT ip FROM hosts JOIN services ON hosts.id=services.host_id WHERE os LIKE '%Windows%' AND port=445;
  3. Respuesta: La IA recibe el JSON de la BBDD y nos responde en lenguaje natural.

Un pequeño clasificador previo decidirá qué subsistema activar:

  • ¿Preguntamos sobre teoría? -> Activaremos RAG (PDFs).
  • ¿Preguntamos sobre objetivos/estado actual? -> Activaremos SQL (DB).
  • ¿Preguntamos mixta? -> Activaremos Ambos.

3. AGENTES PERSONALIZADOS (LOS ESPECIALISTAS)

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

Permitiremos crear “Perfiles de Sistema” guardados en JSON.

Ejemplo: Perfil “Inquisidor SQLi”

{
"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"]
}

Necesitamos expandir nuestra base de datos SQLite (nmap_intel.db) para soportar esta lógica avanzada.

-- 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. El Operador (Nosotros): Entraremos a “Specialist AI”. Seleccionaremos el agente “Recon Master”. Activaremos el modelo “Gemini Flash”.
  2. La Pregunta: Escribiremos: “Analizamos los objetivos actuales. ¿Vemos algún patrón que sugiera un servidor de desarrollo antiguo? Basaremos nuestra respuesta en el Manual de OPSEC.”
  3. El Proceso (Backend):
    • El Router detectará necesidad de DB (para ver los objetivos) y DOCS (para el manual OPSEC).
    • Ejecutaremos SELECT * FROM services WHERE version LIKE '%dev%' OR version LIKE '%beta%'.
    • Buscaremos vectores en PROTOCOLO_OMEGA_OPSEC.md.
    • Enviaremos todo a Gemini Flash.
  4. La Respuesta:
    • “Hemos detectado el host 192.168.1.55 ejecutando ‘Apache Tomcat 7.0-beta’. Según el ‘Protocolo Omega Opsec’ (Pág 3), los servidores beta suelen tener credenciales por defecto y logging verboso. Recomendamos ataque de fuerza bruta inmediato.”
  5. Gestión: Nos gustará la respuesta. Le daremos a la Estrellita ⭐ y activaremos el Candado 🔒 para que este hallazgo no se borre nunca.