Ir al contenido

🧠 PROJEKT OMEGA: MODUŁ „SPECIALIST AI” (Centrum Inteligencji Taktycznej)

Interfejs jest strategicznie umieszczony między "Narzędziami" a "Dokumentacją". Podzielimy się na trzy panele o wysokiej gęstości informacji.

0odwiedzin

Wizja Strategiczna: Wdrożymy hybrydową sztuczną inteligencję (lokalną/chmurową) głęboko zintegrowaną z platformą. To nie jest zwykły chatbot; to syntetyczny analityk cyberbezpieczeństwa z dostępem w czasie rzeczywistym w trybie tylko do odczytu do infrastruktury (bazy danych) oraz dostępem doktrynalnym do biblioteki wiedzy (PDF).

Interfejs znajduje się strategicznie między „Narzędziami” a „Dokumentacją”. Zostanie podzielony na trzy panele o wysokiej gęstości informacji.

🟢 PANEL LEWY: PAMIĘĆ OPERACYJNA (Historia & Zachowanie)

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

W tym panelu będziemy zarządzać przeszłą wiedzą.

  • Lista sesji: Kompaktowe karty z tytułem, datą i użytym modelem.
  • System klasyfikacji taktycznej:
    • ⭐ Ulubione (Priorytetowy Wywiad): Przycisk gwiazdki. Przypniemy rozmowę na górze. Przydatne do aktywnych dochodzeń.
    • 🔒 Utrzymanie (Trwałe blokowanie): Przełącznik (interruptor) w każdym czacie.
      • Stan ON: Czat zostanie zabezpieczony. Zignorujemy reguły automatycznego usuwania.
      • Stan OFF: Czat będzie efemeryczny.
  • Konfiguracja retencji (cykl życia danych):
    • Suwak lub pole liczbowe: „Autodestrukcja niezabezpieczonych czatów po: [ 7 ] dniach”.
    • Przycisk „Wyczyść teraz”: Ręczne czyszczenie pamięci podręcznej.

⚫ PANEL CENTRALNY: SALA OPERACYJNA (The Chat Interface)

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

Główny obszar interakcji. Styl „Nowoczesnego Terminala” (Ciemne kolory, czcionki monospaced dla kodu).

  • Obszar wyjściowy (strumień):
    • Pełne renderowanie Markdown (tabele, listy, bloki kodu z przyciskiem kopiowania).
    • Cytowanie źródeł: Gdy AI korzysta z dokumentu, pojawi się mała klikalna etykieta: [Ref: MANUAL_3.2_BLIND_SQLI.pdf, pág 4].
    • Dowody danych: Podczas zapytań do bazy danych, wygenerowane zapytanie SQL zostanie wyświetlone w zwijanym menu: [▶ Ver Query SQL].
  • Obszar wejściowy (linia poleceń):
    • Wielowierszowy prompt tekstowy.
    • Przycisk „Dołącz bieżący kontekst” (Prześlemy aktualny stan aktywnego skanowania).
  • Selekter silnika (dolny prawy):
    • Dyskretne, ale kluczowe menu rozwijane w prawym dolnym rogu.
    • Opcje:
      • 🔒 LOCAL: OMEGA BRAIN (Llama-3 / Mistral) -> Bez kosztów, pełna prywatność, wolno.
      • ☁️ ONLINE: GOOGLE GEMINI 1.5 FLASH -> Ekstremalna prędkość, średnie rozumowanie.
      • 🧠 ONLINE: GOOGLE GEMINI 1.5 PRO -> Złożone rozumowanie, większe opóźnienie.

Tutaj zdefiniujemy, KTO nam odpowiada.

  • Selekter agenta (osoby):
    • Domyślny: „Generalista Red Team”.
    • Personalizowany 1: „Dr. SQL Injection” (Prompt skupiony w 100% na naszych podręcznikach SQLi).
    • Personalizowany 2: „Analityk Infrastruktury” (Skupiony na Nmap i usługach).
  • Wskaźniki połączenia (status):
    • 📚 Docs Indexados: 14 PDFs (Stan Vector Store).
    • 🗄️ DB Connection: ACTIVE (Stan Text-to-SQL).

Aby AI była użyteczna, musimy „połączyć kropki” między teorią (PDF) a rzeczywistością (bazy danych).

A. Podsystem dokumentacyjny (Wektorowy RAG)

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

AI nie „czyta” plików PDF za każdym razem. Skorzystamy z wektorowej bazy danych (ChromaDB).

  1. Ingestia: Po przesłaniu pliku PDF do /docs, podzielimy system na „chunks” (fragmenty) po 500 znaków.
  2. Embedding: Przekształcimy tekst na wektory numeryczne.
  3. Wyszukiwanie: Gdy pytamy „Jak przeprowadzić atak OOB?”, system wyszuka matematycznie podobne wektory w instrukcjach i przekaże je do AI jako ukryty kontekst.

AI ma uprawnienia do odczytu nmap_intel.db.

  1. Świadomość schematu: AI wie, że istnieje tabela hosts z kolumnami ip, os i services.
  2. Tłumaczenie:
    • Użytkownik: „Powiedz mi, które maszyny mają system Windows i otwarty port 445”.
    • AI (Wewnętrzne): SELECT ip FROM hosts JOIN services ON hosts.id=services.host_id WHERE os LIKE '%Windows%' AND port=445;
  3. Odpowiedź: AI otrzymuje JSON z bazy danych i odpowiada nam w języku naturalnym.

Mały, wstępny klasyfikator zdecyduje, który podsystem aktywować:

  • Pytamy o teorię? -> Aktywujemy RAG (PDF).
  • Pytamy o cele/stan obecny? -> Aktywujemy SQL (DB).
  • Pytamy o kwestie mieszane? -> Aktywujemy oba.

Pozwolimy na tworzenie „Profili Systemowych” zapisanych w formacie JSON.

Przykład: Profil „Inkwizytor 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"]
}

Musimy rozszerzyć naszą bazę danych SQLite (nmap_intel.db), aby obsłużyć tę zaawansowaną logikę.

-- 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. Operator (My): Wejdziemy do „Specialist AI”. Wybierzemy agenta „Recon Master”. Aktywujemy model „Gemini Flash”.
  2. Pytanie: Napiszemy: „Analizujemy obecne cele. Czy widzimy jakiś wzorzec sugerujący stary serwer deweloperski? Naszą odpowiedź oprzemy na podręczniku OPSEC.”
  3. Proces (zaplecza):
    • Router wykryje potrzebę DB (aby zobaczyć cele) i DOCS (aby uzyskać dostęp do podręcznika OPSEC).
    • Uruchomimy SELECT * FROM services WHERE version LIKE '%dev%' OR version LIKE '%beta%'.
    • Będziemy szukać wektorów w PROTOCOLO_OMEGA_OPSEC.md.
    • Wyślemy wszystko do Gemini Flash.
  4. Odpoveď:
    • “Wykryto host 192.168.1.55 uruchamiający ‘Apache Tomcat 7.0-beta’. Zgodnie z ‘Protokołem Omega Opsec’ (str. 3), serwery beta często posiadają domyślne poświadczenia i szczegółowe logowanie. Zalecamy natychmiastowy atak brute force.”
  5. Zarządzanie: Polubimy tę odpowiedź. Dammy Gwiazdkę ⭐ i aktywujemy Kłódkę 🔒, aby to odkrycie nigdy nie zostało usunięte.