“本篇是基于开源 EDR 产品记录的完整部署过程,涵盖架构设计、配置说明、AI 集成、成本控制与踩坑经验。需要说明的是,本篇主要定位还是跑通一次相对完整的可行性验证,可能达不到生产标准,仅供参考。
此外,本篇不涉及相关的概念说明,如什么是 EDR , ISM等,大家有需求的可以自行 GPT。
目录
为什么要做这件事
整体架构设计
真实环境准备
Wazuh 部署实战
配置详解与日志控制
AI 大模型集成
测试验证
成本分析与控制
踩坑记录与经验总结
写在最后
01 为什么要做这件事
商业 EDR 产品(如 CrowdStrike Falcon、Microsoft Defender for Endpoint还有国内诸如奇安信,深信服等厂商)年费通常在数万元至十几万元不等,对于小团队而言成本压力显著。但安全防护不能因为预算有限就完全放弃,因此我们需要一种低成本、可落地的替代方案。
核心目标:利用开源 EDR 框架搭建端点检测能力,结合 AI 大模型实现告警智能分析,达到类 SaaS EDR 的防护效果。
可行性验证:在本地环境中完成 PoC,验证架构可行性,为后续小团队落地提供决策依据。
经过调研,我选择了Wazuh作为核心 EDR 框架来做可行性验证。原因很简单:它是目前最活跃的开源 XDR/SIEM 项目,社区支持好,文档完善,而且官方已经支持 AI/LLM 集成(包括/llms.txt标准)。
“注意
并不是所有的团队都需要 EDR,选型或者要上一个软件之前,还是应该对其有一个相对全面的认识,以及对自己的业务线有深刻的理解,真正知道需求点在哪,当下面临的问题是否真的需要 EDR,还有就是真上了 EDR,你到底hold不hold的住。。。不要赔了夫人又折兵。
02 整体架构设计
我本人是有一台云端的轻量服务器,本来我的最小部署方案是这样的:
控制中心(Manager): Linux 公网云服务器(通过 Docker 一键运行 Wazuh 控制台)。
被监控端 A(Agent 1): 我的 Windows 宿主机(模拟员工电脑)。
被监控端 B(Agent 2): 本地 WSL2 里的 Linux(模拟内网开发服务器)。
但我的云主机资源有限,如下图我的OpenClaw助手给我的总结😂
所以我采用了全本地部署方案,毕竟只是做验证,门槛没那么高。所谓本地方案,是所有服务端组件运行在 WSL2 + Docker 中,Windows 宿主机作为被监控端点,架构设计图如下。
03 真实环境准备
以下是我实际测试使用的核心环境配置:
项目
配置
说明
操作系统
Windows 11
宿主机
内存
32 GB
WSL2 分配 12GB
磁盘
1TB SSD
938GB 可用
WSL2
Ubuntu 22.04.5 LTS
VERSION 2
Docker
29.6.1
Docker Desktop + WSL2 后端
Docker Compose
v5.1.4
随 Docker Desktop 安装
Python
3.10.12
WSL2 内置
Wazuh 版本
4.14.6 (stable)
从 GitHub 克隆
关键配置项
WSL2 内存限制通过宿主机.wslconfig文件配置:
C:\Users\<用户名>.wslconfig[wsl2]memory=12GBprocessors=4swap=6GBIndexer (OpenSearch) 需要vm.max_map_count=262144,每次 WSL2 重启后需要重新设置:
进入 WSL2 后执行sudo sysctl -w vm.max_map_count=262144# 持久化(添加到 ~/.bashrc)echo'sudo sysctl -w vm.max_map_count=262144 2>/dev/null'>> ~/.bashrc04 Wazuh 部署实战
4.1 克隆仓库并切换稳定版
WSL2 终端cd/home/edrgitclone -b v4.14.6https://github.com/wazuh/wazuh-docker.git --depth=1cdwazuh-docker“注意版本选择:我最初克隆时默认分支是 5.1.0-alpha0,这是一个不稳定的 alpha 版本。建议始终使用最新稳定版(当前为 v4.14.6),可通过git tag --sort=-v:refname查看所有可用版本。
4.2 生成 TLS 证书
v4.14.6 使用专用的证书生成器:
cd/home/edr/wazuh-docker/single-node# 使用仓库自带的证书生成配置docker compose -f generate-indexer-certs.yml up# 等待证书生成完成后容器自动退出# 清理生成容器docker compose -f generate-indexer-certs.yml down验证证书文件:
ls -la config/wazuh_indexer_ssl_certs/# 应包含:root-ca.pem, wazuh.indexer.pem, wazuh.manager.pem,# wazuh.dashboard.pem, admin.pem 等文件
4.3 启动全栈服务
cd/home/edr/wazuh-docker/single-nodedocker compose up -d# 查看容器状态docker compose ps# 等待 Indexer 就绪(可能需要 1-2 分钟)curl -sk -u admin:SecretPassword https://localhost:9200/_cluster/health?pretty# 返回 "status" : "green" 或 "yellow" 即成功
“注意:这一步构造的时候,会拉取wazuh镜像,这一步很可能因为网络问题出现一些EOF之类的异常,多试几次就好。最后会拉取4个镜像(包含前面那个生成证书的镜像),启动3个容器,在docker desktop里查看效果如下
4.4 访问 Dashboard
在 Windows 浏览器中打开https://localhost:
登录账号:admin
登录密码:SecretPassword
浏览器会提示证书不安全,点击"继续访问"即可
4.5 安装 Windows Agent
“客户端的安装非常简单,如果脚本用着不顺手,直接下载msi文件安装,然后手动配置环境变了也是可以的。
PowerShell(管理员模式)Invoke-WebRequest -Uri https://packages.wazuh.com/4.x/windows/wazuh-agent-4.9.0-1.msi -OutFile $env:TEMP\wazuh-agent.msimsiexec /i "$env:TEMP\wazuh-agent.msi" /qWAZUH_MANAGER='localhost' `WAZUH_REGISTRATION_SERVER='localhost'# 验证服务Get-Service WazuhSvc在 Dashboard →Agents中查看 Agent 是否显示为Active。这个面板是基于Kibana构造的,所以前面我们拉去Wazuh镜像的时候,镜像很大,所以要多等一会儿。
05 配置详解与日志控制
5.1 默认密码说明
用途
用户名
密码
配置文件
Dashboard 登录
admin
SecretPassword
docker-compose.yml
Indexer API
admin
SecretPassword
docker-compose.yml
Wazuh REST API
wazuh-wui
MyS3cr37P450r.*-
internal_users.yml
Dashboard 内部用户
kibanaserver
kibanaserver
internal_users.yml
5.2 ISM 索引保留策略
防止日志积累导致磁盘爆满,在 Dashboard 中创建 ISM 策略:
Indexer management → Index Management → State management policies → Create policy粘贴以下 JSON:
{"policy": {"policy_id":"wazuh-alert-retention-policy","description":"Auto-delete alert indices older than 30 days","schema_version":17,"default_state":"retention_state","states": [{"name":"retention_state","actions": [],"transitions": [{"state_name":"delete_alerts","conditions": {"min_index_age":"30d"}}]},{"name":"delete_alerts","actions": [{"delete": {} }],"transitions": []}],"ism_template": [{"index_patterns": ["wazuh-alerts-*"],"priority":1}]}}
5.3 Manager 日志优化
v4.14.6 的 Manager 配置文件从宿主机挂载,可直接编辑:
宿主机路径vi /home/edr/wazuh-docker/single-node/config/wazuh_cluster/wazuh_manager.conf关键配置项:
yesyesnono306 AI 大模型集成
这是本方案的核心亮点:通过 AI 大模型自动分析 Wazuh 产生的安全告警,弥补小团队缺少专业安全分析师的短板,平替商业版 EDR 软件的最强大脑角色。
6.1 架构设计
Wazuh Manager → Integration (level 7+ 告警) → AI Analyzer (FastAPI :8080) → DeepSeek API6.2 智能过滤与成本控制
直接将所有告警转发给 AI 会导致 token 消耗过快。我们在 AI 分析器中实现了四层过滤:
过滤层
说明
效果
Level 过滤
只分析 level 7+ 的告警(Critical/High)
过滤约 60-70%
规则白名单/黑名单
只分析关心的规则 ID,屏蔽低价值规则
过滤约 10-20%
频率限制
同一规则 + 同一端点,5 分钟内最多分析 3 次
过滤约 10-15%
内容去重
相同告警内容 10 分钟内不重复分析
过滤约 5-10%
6.3 AI 分析器核心代码
完整的 AI 分析器服务代码(Python FastAPI):
“说明:以下代码由大模型生成
"""Wazuh AI Alert Analyzer v2 - 带智能过滤和成本控制"""importjson, logging, timefromdatetimeimportdatetimefromcollectionsimportdefaultdictfromfastapiimportFastAPI, Request, HTTPExceptionfromopenaiimportAsyncOpenAI# === 配置区 ===DEEPSEEK_API_KEY ="sk-xxx"# 替换为自己的KeyDEEPSEEK_MODEL ="deepseek-v4-flash"MIN_ALERT_LEVEL =7# 只分析 level 7+RATE_LIMIT_WINDOW =300# 5 分钟窗口RATE_LIMIT_MAX =3# 窗口内最多 3 次DEDUP_WINDOW =600# 10 分钟去重client = AsyncOpenAI(api_key=DEEPSEEK_API_KEY, base_url="https://api.deepseek.com/v1")app = FastAPI(title="Wazuh AI Alert Analyzer v2", version="2.0.0")# 过滤状态rate_limit_store = defaultdict(list)dedup_store = {}stats = {"total_received":0,"analyzed":0,"filtered":0}defshould_analyze(alert):"""四层过滤逻辑"""rule = alert.get("rule", {})rule_id = str(rule.get("id",""))rule_level = int(rule.get("level",0))agent_id = str(alert.get("agent", {}).get("id",""))now = time.time()# 第 1 层:Level 过滤ifrule_level < MIN_ALERT_LEVEL:returnFalse,"level_too_low"# 第 2 层:频率限制key =f"{rule_id}:{agent_id}"recent = [tfortinrate_limit_store[key]ifnow - t < RATE_LIMIT_WINDOW]iflen(recent) >= RATE_LIMIT_MAX:returnFalse,"rate_limited"# 第 3 层:内容去重content_hash = hash(json.dumps(alert.get("full_log",""), sort_keys=True))ifcontent_hashindedup_storeandnow - dedup_store[content_hash] < DEDUP_WINDOW:returnFalse,"dedup"returnTrue,"pass"@app.post("/analyze")asyncdefanalyze_alert(request: Request):stats["total_received"] +=1alert =awaitrequest.json()should_proc, reason = should_analyze(alert)ifnotshould_proc:stats["filtered"] +=1return{"filtered":True,"reason": reason}stats["analyzed"] +=1rule = alert.get("rule", {})agent = alert.get("agent", {})context = (f"规则:{rule.get('description','N/A')}\n"f"级别:{rule.get('level','N/A')}\n"f"端点:{agent.get('name','N/A')}\n"f"日志:{json.dumps(alert.get('full_log',''), ensure_ascii=False)[:2000]}")resp =awaitclient.chat.completions.create(model=DEEPSEEK_MODEL,messages=[{"role":"system","content":"你是一名资深安全分析师。分析 EDR 告警并输出 JSON。"},{"role":"user","content": context}],response_format={"type":"json_object"},temperature=0.1)result = json.loads(resp.choices[0].message.content)returnresult@app.get("/health")asyncdefhealth():return{"status":"ok"}@app.get("/stats")asyncdefget_stats():"""查看过滤统计"""returnstats下文7.3节有该脚本的执行截图
6.4 配置 Wazuh 转发告警
在 Manager 配置文件中添加 integration 块:
custom-ai-analyzerhttp://host.docker.internal:8080/analyzejson5“关于 hook_url 地址:Docker 容器内的localhost指向容器自身,不是 WSL2 宿主机。使用host.docker.internal指向宿主机。如果不可用,改用 WSL2 的实际 IP。
07 测试验证
7.1 验证告警链路
Wazuh 部署完成后,系统会自动产生多种告警。以下是我们实际测试中观察到的告警类型:
告警类型
数量
说明
SCA 安全检查基线
669 条
Agent 首次连接后自动扫描 Windows 安全配置
Windows 系统事件
26 条
Windows Event Log 中的系统事件
Agent 状态变更
若干
Agent 启动/停止/连接事件
通过 Indexer 直接查询告警(推荐方式):
WSL2 终端# 查询最近 5 条告警curl -sk -u'admin:SecretPassword'-X POST"https://localhost:9200/wazuh-alerts-*/_search?pretty"-H'Content-Type: application/json'-d'{"size":5,"sort":[{"@timestamp":{"order":"desc"}}],"_source":["rule.description","rule.level","agent.name","@timestamp"]}'
查询 level 7+ 的高危告警curl -sk -u'admin:SecretPassword'-X POST"https://localhost:9200/wazuh-alerts-*/_search?pretty"-H'Content-Type: application/json'-d'{"size":5,"query":{"range":{"rule.level":{"gte":7}}},"_source":["rule.description","rule.level","@timestamp"]}'
“注意:Wazuh 4.14.6 的 REST API 没有/alerts端点,告警数据需要通过 Indexer (OpenSearch) 直接查询。这是与早期版本的一个重要区别。
7.2 FIM(文件完整性监控)配置
FIM 是 EDR 的核心能力之一,但在实际配置中需要注意几个关键点:
配置 Windows Agent 的 FIM 监控目录:
在 Manager 上创建agent.conf,下发给 Windows Agent:
WSL2 终端dockerexecsingle-node-wazuh.manager-1 bash -c'cat > /var/ossec/etc/shared/default/agent.conf << "EOF"no300C:\wazuh-fim-testEOF'# 重启 Manager 使配置生效cd/home/edr/wazuh-docker/single-node && docker compose restart wazuh.managerFIM 配置注意事项:
首次扫描耗时— FIM 首次扫描需要对所有监控文件计算哈希(MD5+SHA1+SHA256),大目录(如C:\Windows\System32)可能需要 10+ 分钟。建议先用小目录测试。
避免过大目录— 监控C:\Windows、C:\Program Files等目录会产生大量告警和性能问题。建议只监控关键子目录。
UTF-8 编码问题— 如果系统路径中包含非 UTF-8 字符(如某些中文路径),FIM 扫描可能报错invalid UTF-8 byte,导致数据库为空。解决方法是避免监控包含特殊字符的目录。
Realtime 模式— 添加realtime="yes"属性可以启用实时检测,但只在首次扫描完成后生效。
7.3 AI 分析验证
发送测试告警到 AI 分析器curl -X POST http://localhost:8080/analyze -H"Content-Type: application/json"-d'{"rule": {"id": "5710", "description": "SSH brute force attempt", "level": 7},"agent": {"name": "windows-pc", "ip": "127.0.0.1"},"full_log": "Failed password for root from 10.0.0.1"}'# 查看过滤统计curl http://localhost:8080/stats
7.4 最终验证清单
检查项
预期结果
状态
WSL2 VERSION
2
PASS
Wazuh 容器
3 个全部 running
PASS
Indexer health
green 或 yellow
PASS
Dashboard 访问
https://localhost 可登录
PASS
Windows Agent
状态 = Active
PASS
ISM 保留策略
已创建并应用
PASS
SCA 告警
Indexer 可查到 669 条
PASS
Windows 事件告警
Indexer 可查到 26 条
PASS
FIM 告警
需配置后验证
待验证
AI 分析服务
/health 返回 ok
PASS
AI 分析结果
返回 severity/analysis
PASS
08 成本分析与控制
8.1 Token 消耗估算
每条告警分析约消耗700-1000 token(输入 500-700 + 输出 200-300)。
场景
日告警量
日消耗 token
日成本 (元)
月成本 (元)
正常使用(level 7+)
50-200 条
35K-200K
0.02-0.14
0.6-4.2
频繁触发
500-1000 条
350K-1M
0.14-0.7
4.2-21
告警风暴
10000+ 条
7M+
2.8+
84+
四层过滤的实际效果:在我的测试中,四层过滤可以将实际需要 AI 分析的告警量减少80-95%。即使 Wazuh 每天产生 1000 条告警,真正调用 API 的只有 50-200 条,可能更少,月成本可以控制在 5 元以内。
8.2 推荐的过滤参数
AI Analyzer 配置MIN_ALERT_LEVEL =7# 只分析 Critical/HighRATE_LIMIT_WINDOW =300# 5 分钟窗口RATE_LIMIT_MAX =3# 同规则 + 端点最多 3 次DEDUP_WINDOW =600# 10 分钟去重09 踩坑记录与经验总结
踩坑记录
问题
原因
解决方案
默认分支是 alpha 版本
wazuh-docker 默认分支指向开发版
始终git checkout v4.14.6切换稳定版
vm.max_map_count 重置
WSL2 每次重启会重置内核参数
添加到~/.bashrc自动设置
Dashboard 打不开
端口转发问题
尝试https://localhost:443或 WSL2 IP
Agent 显示 Disconnected
Manager 不可达
检查Test-NetConnection localhost -Port 1514
API 认证失败
密码混淆
API 用wazuh-wui,Dashboard 用admin
Docker 容器内无法访问宿主机服务
容器 localhost 指向自身
使用host.docker.internal或 WSL2 IP
Indices 页面找不到
UI 导航不直观
Index Management → Indices 标签页,或用 Dev Tools API
经验总结
版本选择很重要— 始终使用稳定版,避免 alpha/beta。通过git tag查看可用版本。
密码要分清— v4.14.6 有三套密码:Dashboard 登录(admin/SecretPassword)、API 用户(wazuh-wui)、内部用户(kibanaserver)。
日志控制是必须的— 即使磁盘充裕,也要设置 ISM 保留策略。FIM 监控目录不要太大,避免告警风暴。
AI 集成要做好过滤— 不要把所有告警都发给 AI,四层过滤可以节省 80-95% 的 token 成本。
利用 AI 智能体辅助部署— 把部署文档喂给 AI 智能体(如 Trae、Hermes),可以大幅减少手动操作。
10 写在最后
通过本次实战,验证了开源 EDR + AI 大模型方案在小团队落地的可行性。核心结论:
技术可行:Wazuh 4.14.6 + WSL2/Docker 可以在普通 Windows 机器上流畅运行,部署过程约 1-2 小时
成本可控:零软件许可费,AI 分析月成本约 5-20 元(取决于告警量和过滤策略)
效果可用:AI 分析可以提供专业的安全建议,弥补小团队缺少安全专家的短板
可扩展:后续可接入 Velociraptor(取证)、osquery(资产发现)、威胁情报等增强能力
对于预算有限但需要基本安全防护能力的小团队,这是一个值得尝试的方案。当然,它无法完全替代商业 EDR(如 CrowdStrike 的实时防护、EDR 响应能力),但作为起点和过渡方案,已经足够。此外,今天我的测试过程只是本地部署 EDR 架构的冰山一角,后续还有诸多操作步骤,包括但不限于以下内容
根据实际需求调整过滤参数,优化 token 成本
探索自定义检测规则,覆盖团队特有的安全场景
考虑接入飞书/钉钉通知,实现告警实时推送
评估是否需要 Velociraptor 做深度取证分析
但就验证可行性来说,这些工作已经足够。好了,关于开源 EDR 的话题就先聊到这里。
参考资源:
Wazuh Documentation - Getting Started: https://documentation.wazuh.com/current/getting-started/index.html
Wazuh Docker Repository: https://github.com/wazuh/wazuh-docker
Wazuh AI/LLM Integration Guide: https://documentation.wazuh.com/current/getting-started/index.html#building-with-ai-and-llms
DeepSeek API Documentation: https://api-docs.deepseek.com/
Wazuh Index State Management: https://documentation.wazuh.com/current/user-manual/wazuh-indexer/index.html
Gemini:https://share.gemini.google/2AUFCTuSHbb
“本文基于实际测试环境编写,所有命令和配置均经过验证。