Ir al contenido

🧠 PROGETTO OMEGA: MODULO "SPECIALIST AI" (Centro di Intelligence Tattica)

L'interfaccia si situa strategicamente tra "Strumenti" e "Documentazione". Ci divideremo in tre pannelli di alta densità di informazione.

0letture

Visione Strategica: Implementeremo un'Intelligenza Artificiale Ibrida (Locale/Cloud) integrata profondamente nella piattaforma. Non è un semplice chatbot; è un Analista di Cybersecurity Sintetico con accesso in lettura in tempo reale all'infrastruttura (Database) e accesso dottrinale alla libreria di conoscenza (PDF).

L'interfaccia si colloca strategicamente tra "Strumenti" e "Documentazione". Ci divideremo in tre pannelli ad alta densità di informazioni.

🟢 PANNELLO SINISTRO: MEMORIA OPERATIVA (History & Retention)

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

In questo pannello gestiremo la conoscenza passata.

  • Elenco Sessioni: Schede compatte con Titolo, Data e Modello utilizzato.
  • Sistema di Classificazione Tattica:
    • ⭐ Preferiti (Priority Intel): Pulsante a stella. Fisseremo la conversazione in alto. Utile per indagini attive.
    • 🔒 Persistenza (Permanent Lock): Un Toggle Switch (Interruttore) in ogni chat.
      • Stato ON: La chat sarà blindata. Ignoreremo le regole di cancellazione automatica.
      • Stato OFF: La chat sarà effimera.
  • Configurazione di Retenzione (Data Lifecycle):
    • Slider o Input numerico: “Autodistruggi le chat non blindate dopo: [ 7 ] giorni”.
    • Pulsante “Purger Ora”: Pulizia manuale della cache.

⚫ PANNELLO CENTRALE: WAR ROOM (The Chat Interface)

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

L'area di interazione principale. Stile “Terminale Moderna” (Colori scuri, font monospaziati per il codice).

  • Area di Output (Stream):
    • Rendering Markdown completo (Tabelle, Liste, Blocchi di codice con pulsante di copia).
    • Citazione delle Fonti: Quando l'IA utilizza un documento, apparirà una piccola etichetta cliccabile: [Ref: MANUAL_3.2_BLIND_SQLI.pdf, pág 4].
    • Evidenza dei Dati: Quando interrogheremo il DB, mostreremo la query SQL generata in un menu a discesa compresso: [▶ Ver Query SQL].
  • Area di Input (Command Line):
    • Prompt di testo multilinea.
    • Pulsante “Allega Contesto Attuale” (Caricheremo lo stato attuale della scansione attiva).
  • Selettore di Motore (Bottom-Right):
    • Un menu a discesa discreto ma vitale nell'angolo in basso a destra.
    • Opzioni:
      • 🔒 LOCAL: OMEGA BRAIN (Llama-3 / Mistral) -> Senza costi, privacy totale, lento.
      • ☁️ ONLINE: GOOGLE GEMINI 1.5 FLASH -> Velocità estrema, ragionamento medio.
      • 🧠 ONLINE: GOOGLE GEMINI 1.5 PRO -> Ragionamento complesso, maggiore latenza.

🔵 PANNELLO DESTRO: CONFIGURAZIONE DELL'AGENTE (Mission Profile)

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

Qui definiremo CHI ci sta rispondendo.

  • Selettore di Agente (Persona):
    • Predefinito: “Generalista Red Team”.
    • Personalizzato 1: “Dr. SQL Injection” (Prompt focalizzato al 100% sui nostri manuali di SQLi).
    • Personalizzato 2: “Analista di Infrastruttura” (Focalizzato su Nmap e Servizi).
  • Indicatori di Connessione (Status):
    • 📚 Docs Indexados: 14 PDFs (Stato del Vector Store).
    • 🗄️ DB Connection: ACTIVE (Stato del Text-to-SQL).

2. ARCHITETTURA COGNITIVA (IL CERVELLO RAG)

Sección titulada «2. ARQUITECTURA COGNITIVA (EL CEREBRO RAG)»

Perché l'IA sia utile, dobbiamo “connettere i punti” tra la teoria (PDF) e la realtà (DB).

A. Subsistema Documentale (RAG Vettoriale)

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

L'IA non “legge” i PDF ogni volta. Utilizzeremo un database vettoriale (ChromaDB).

  1. Ingestione: Caricando un PDF su /docs, divideremo il sistema in “chunk” (frammenti) da 500 caratteri.
  2. Embedding: Convertiremo il testo in vettori numerici.
  3. Recupero: Quando chiediamo “Come eseguiamo un attacco OOB?”, il sistema cercherà vettori matematicamente simili nei manuali e li passerà all'IA come contesto nascosto.

L'IA ha il permesso di lettura su nmap_intel.db.

  1. Consapevolezza dello schema: L'IA sa che esiste una tabella hosts con le colonne ip, os e services.
  2. Traduzione:
    • Utente: “Dimmi quali macchine hanno Windows e la porta 445 aperta”.
    • IA (Interno): SELECT ip FROM hosts JOIN services ON hosts.id=services.host_id WHERE os LIKE '%Windows%' AND port=445;
  3. Risposta: L'IA riceve il JSON dal DB e ci risponde in linguaggio naturale.

Un piccolo classificatore preventivo deciderà quale sottosistema attivare:

  • Chiediamo della teoria? -> Attiveremo RAG (PDF).
  • Chiediamo degli obiettivi/stato attuale? -> Attiveremo SQL (DB).
  • Chiediamo un mix? -> Attiveremo entrambi.

Permetteremo di creare “Profili di Sistema” salvati in JSON.

Esempio: Profilo “Inquisitore 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"]
}

Dobbiamo espandere il nostro database SQLite (nmap_intel.db) per supportare questa logica avanzata.

-- 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. L'Operatore (Noi): Entreremo in “Specialist AI”. Selezioneremo l'agente “Recon Master”. Attiveremo il modello “Gemini Flash”.
  2. La Domanda: Scriveremo: “Analizziamo gli obiettivi attuali. Vediamo qualche pattern che suggerisca un vecchio server di sviluppo? Baseremo la nostra risposta sul Manuale OPSEC.”
  3. Il Processo (Backend):
    • Il router rileverà la necessità di DB (per vedere gli obiettivi) e DOCS (per il manuale OPSEC).
    • Eseguiremo SELECT * FROM services WHERE version LIKE '%dev%' OR version LIKE '%beta%'.
    • Cercheremo vettori in PROTOCOLO_OMEGA_OPSEC.md.
    • Invieremo tutto a Gemini Flash.
  4. La Risposta:
    • “Abbiamo rilevato l'host 192.168.1.55 che esegue 'Apache Tomcat 7.0-beta'. Secondo il 'Protocolo Omega Opsec' (Pag 3), i server beta di solito hanno credenziali predefinite e logging verboso. Raccomandiamo un attacco di forza bruta immediato.”
  5. Gestione: Ci piacerà la risposta. Daremo alla Stellina ⭐ e attiveremo il Lucchetto 🔒 affinché questa scoperta non venga mai cancellata.