Ir al contenido

🧠 PROJET OMEGA : MODULE "SPECIALIST AI" (Centre d'Intelligence Tactique)

L'interface est située stratégiquement entre "Outils" et "Documentation". Nous nous diviserons en trois panneaux à haute densité d'information.

0vues

Vision Stratégique : Nous implémenterons une Intelligence Artificielle Hybride (Locale/Cloud) profondément intégrée à la plateforme. Ce n'est pas un simple chatbot ; c'est un Analyste en Cybersécurité Synthétique avec un accès en lecture en temps réel à l'infrastructure (Base de données) et un accès doctrinal à la bibliothèque de connaissances (PDF).

L'interface se situe stratégiquement entre « Outils » et « Documentation ». Elle se divise en trois panneaux à haute densité d'informations.

🟢 PANNEAU GAUCHE : MÉMOIRE OPÉRATIVE (Historique & Conservation)

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

Ce panneau permet de gérer les connaissances passées.

  • Liste des Sessions : Cartes compactes avec Titre, Date et Modèle utilisé.
  • Système de classification tactique :
    • ⭐ Favoris (Priority Intel) : Bouton étoile. Nous épinglerons la conversation en haut. Utile pour les recherches actives.
    • 🔒 Persistance (Verrou permanent) : Un Toggle Switch (interrupteur) dans chaque chat.
      • État ON : Le chat sera blindé. Nous ignorerons les règles de suppression automatique.
      • État OFF : Le chat sera éphémère.
  • Configuration de rétention (cycle de vie des données) :
    • Curseur ou saisie numérique : “Autodestruction des chats non blindés après : [ 7 ] jours”.
    • Bouton “Purger Maintenant” : Nettoyage manuel du cache.

⚫ PANNEAU CENTRAL : SALLE DE GUERRE (The Chat Interface)

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

La zone d'interaction principale. Style “Terminal Moderne” (Couleurs sombres, polices monoespacées pour le code).

  • Zone de sortie (flux) :
    • Rendu Markdown complet (tableaux, listes, blocs de code avec bouton de copie).
    • Citations de sources : Lorsqu'une IA utilise un document, une petite étiquette cliquable apparaîtra : [Ref: MANUAL_3.2_BLIND_SQLI.pdf, pág 4].
    • Preuves de données : Lorsque nous interrogeons la BDD, nous afficherons la requête SQL générée dans un menu déroulant repliable : [▶ Ver Query SQL].
  • Zone d'entrée (ligne de commande) :
    • Invite de texte multiligne.
    • Bouton « Joindre le contexte actuel » (Nous téléchargerons l'état actuel du scan actif).
  • Sélecteur de moteur (coin inférieur droit) :
    • Un menu déroulant discret mais essentiel dans le coin inférieur droit.
    • Options :
      • 🔒 LOCAL: OMEGA BRAIN (Llama-3 / Mistral) -> Gratuit, confidentialité totale, lent.
      • ☁️ ONLINE: GOOGLE GEMINI 1.5 FLASH -> Vitesse extrême, raisonnement moyen.
      • 🧠 ONLINE: GOOGLE GEMINI 1.5 PRO -> Raisonnement complexe, latence accrue.

🔵 PANNEAU DROIT : CONFIGURATION DE L'AGENT (Mission Profile)

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

Ici, nous définirons QUI nous répond.

  • Sélecteur d'agent (personne) :
    • Par défaut : “Généraliste Red Team”.
    • Personnalisé 1 : “Dr. SQL Injection” (Prompt axé à 100 % sur nos manuels de SQLi).
    • Personnalisé 2 : “Analyste d'Infrastructure” (Axé sur Nmap et les services).
  • Indicateurs de connexion (statut) :
    • 📚 Docs Indexados: 14 PDFs (État du Vector Store).
    • 🗄️ DB Connection: ACTIVE (État du Text-to-SQL).

Pour que l'IA soit utile, nous devons « relier les points » entre la théorie (PDF) et la réalité (BBDD).

A. Sous-système documentaire (RAG vectoriel)

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

L'IA ne « lit » pas les PDF à chaque fois. Nous utiliserons une base de données vectorielle (ChromaDB).

  1. Ingestion : Lors de l'importation d'un PDF vers /docs, nous diviserons le système en « chunks » (fragments) de 500 caractères.
  2. Embedding : Nous convertirons le texte en vecteurs numériques.
  3. Récupération : Lorsque nous demandons « Comment réaliser une attaque OOB ? », le système recherchera des vecteurs mathématiquement similaires dans les manuels et les transmettra à l'IA en tant que contexte caché.

B. Sous-système d'infrastructure (Text-to-SQL)

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

L'IA a une autorisation de lecture sur nmap_intel.db.

  1. Conscience du schéma : L'IA sait qu'il existe une table hosts avec les colonnes ip, os, et services.
  2. Traduction :
    • Utilisateur : « Dis-moi quelles machines ont Windows et le port 445 ouvert ».
    • IA (Interne) : SELECT ip FROM hosts JOIN services ON hosts.id=services.host_id WHERE os LIKE '%Windows%' AND port=445;
  3. Réponse : L'IA reçoit le JSON de la BDD et nous répond en langage naturel.

Un petit classificateur préalable décidera quel sous-système activer :

  • Question sur la théorie ? -> Activation du RAG (PDFs).
  • Question sur les objectifs/état actuel ? -> Activation du SQL (DB).
  • Question mixte ? -> Activation des deux.

Nous permettrons de créer des « Profils Système » sauvegardés en JSON.

Exemple : Profil « Inquisiteur 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"]
}

4. PERSISTANCE DES DONNÉES (NOUVELLES TABLES)

Sección titulada «4. PERSISTENCIA DE DATOS (NUEVAS TABLAS)»

Nous devons étendre notre base de données SQLite (nmap_intel.db) pour supporter cette logique avancée.

-- 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'
);

5. FLUX DE TRAVAIL (EXEMPLE D'UTILISATION)

Sección titulada «5. FLUJO DE TRABAJO (EJEMPLO DE USO)»
  1. L'Opérateur (Nous) : Nous entrerons dans « Specialist AI ». Nous sélectionnerons l'agent « Recon Master ». Nous activerons le modèle « Gemini Flash ».
  2. La Question : Nous écrirons : « Nous analysons les objectifs actuels. Voyons-nous un motif suggérant un ancien serveur de développement ? Nous baserons notre réponse sur le manuel OPSEC. »
  3. Le processus (backend) :
    • Le Routeur détectera le besoin de DB (pour voir les objectifs) et de DOCS (pour le manuel OPSEC).
    • Nous exécuterons SELECT * FROM services WHERE version LIKE '%dev%' OR version LIKE '%beta%'.
    • Nous chercherons des vecteurs dans PROTOCOLO_OMEGA_OPSEC.md.
    • Nous enverrons tout à Gemini Flash.
  4. La réponse :
    • “Nous avons détecté l'hôte 192.168.1.55 exécutant 'Apache Tomcat 7.0-beta'. Selon le 'Protocole Omega Opsec' (page 3), les serveurs bêta ont généralement des informations d'identification par défaut et une journalisation verbeuse. Nous recommandons une attaque par force brute immédiate.”
  5. Gestion : Nous aimerons la réponse. Nous donnerons l' Étoile ⭐ et activerons le Cadenas 🔒 pour que cette découverte ne soit jamais effacée.