S 全屏播放 full_screen_mv已关注
关注
重播分享点赞后 加className selected赞 随便看看
有拓展内容广告内容
关闭
观看更多
更多
退出全屏
切换到竖屏全屏退出全屏SwimSec已关注
分享视频
,时长01:00
0/0
00:00/01:00
切换到横屏模式
继续播放
进度条,百分之0
播放
00:00
/01:00
01:00
倍速
全屏
倍速播放中
0.5倍0.75倍1.0倍1.5倍2.0倍
超清流畅
您的浏览器不支持 video 标签
继续观看
【更新 】Agentic SOC Parallel Simulation (ASPS V2.0): 自主安全运营平行仿真中心
观看更多
原创
,
【更新 】Agentic SOC Parallel Simulation (ASPS V2.0): 自主安全运营平行仿真中心
SwimSec已关注
分享点赞推荐在看
已同步到看一看写下你的评论
E 视频播放器S 视频社交视频详情
项目地址:https://github.com/SafelineMan/Agentic-SOC-Simulation/blob/main/README_CN.md
【开源】Agentic SOC Simulation (ASS): 下一代自主安全运营仿真中心
上次项目发完还是有不少同学在关注的😄,当时说点赞超过50继续更新,另外还被歪果人也关注一波。见到你们这样热情,一行代码不更新也不好 🐸👓。元旦假期闲暇时间更新了一下功能。
本次更新:
新增紫队工程师、检测工程师、安全数仓、分析引擎,紫队工程师根据剧本生成遥测数据(OCSF 标准)到安全数据仓,检测工程师根据安全数仓的数据开发检测规则并将规则下发到分析引擎,分析引擎消费安全数仓数据产生告警到分诊工程师,紧接着就是上次的整个自主告警分析与处置流程。
笔者想法:
本次更新完之后从SOC架构、流程、团队来看已经非常接近现实先进级SOC,所以项目名称更新为Agentic SOC Parallel Simulation (ASPS): 自主安全运营平行仿真中心。后面暂时没有更多好的有意思的更新想法了(同学们可以直接来聊聊场景和需求 一起激发灵感),如果更新的话我的想法是从模拟转向更真实的项目场景,从靶场、安全监控(EDR/NIDS/CWPP/TI)、Agentic SOC逐步开发并复现场景。如果同学们想看的话继续点赞👍❤️或Github Star⭐️。
(另外也有可能会把精力放到LLM X 行业情报上,关注公众号的同学都知道笔者比较关心特定团伙)
凑点字数:
🛡️ Agentic SOC Parallel Simulation (ASPS): 自主安全运营平行仿真中心
重新定义安全运营的未来:全栈 SOC 平行仿真、七大智能体协同与数据驱动的自主防御
本项目是一个前沿的 Agentic SOC 平行仿真平台,旨在探索Large Action Model (LAM)在网络安全领域的极限潜力。通过集成DeepSeek 强推理引擎、多智能体协同 (Multi-Agent Collaboration)与MCP (Model Context Protocol)标准,我们构建了一个全栈式、全流程、全自动的虚拟 SOC 团队。
在这里,AI 不再是简单的脚本执行者,而是具备专家级思维链 (Chain of Thought)的数字分析师。从紫队生成攻击流量,到蓝队开发检测规则,再到运营团队的分诊、取证与响应,七大智能体在平行空间中自主演练、自我进化。它能够像人类专家一样,从海量数据中抽丝剥茧,构建动态攻击图谱,并果断采取行动,将安全运营的效率与智能化水平提升至新的维度。
📸 Dashboard V2.0 (Latest)
📸 Dashboard V1.0 (Legacy)
✨ 核心亮点 (Key Highlights)
♾️ 全栈 SOC 平行仿真 (Full-Stack SOC Parallel Simulation)
超越单一分析师:本项目不仅仅模拟一个 AI 分析师,而是仿真了整个 SOC 运营体系。
全生命周期覆盖:从红队攻击模拟 -> 紫队数据生成 -> 蓝队规则开发 -> 引擎检测 -> 分诊调查 -> 应急响应 -> 报告归档。
真实架构映射:完整复刻了现代 SOC 的核心组件,包括安全数仓 (Data Warehouse)、检测引擎 (Detection Engine)、SOAR 编排与可视化作战室。
🤖 多智能体协同蜂群 (Multi-Agent Collaboration)
😈 紫队工程师 (Purple Team): 基于剧本生成高保真攻击流量与背景噪声 (OCSF 标准)。
🛠️ 检测工程师 (Detection Eng): 分析遥测数据,自动开发与验证检测规则。
⚙️ 分析引擎 (Analysis Engine): 运行检测逻辑,扫描数仓,触发告警。
🔍 分诊 (Triage): 过滤误报,评估告警可信度。
🕵️♂️ 取证 (Forensics): 调用工具进行深度调查,构建攻击链路。
🛡️ 指挥官 (Commander): 制定处置策略,执行封禁或请求审批。
📝 报告 (Reporter): 汇总调查结果,生成结构化安全报告。
七大角色各司其职:模拟真实 SOC 组织架构,七大智能体通过共享上下文无缝协作,展现出超越单体的群体智能:
📊 数据驱动的检测工程 (Data-Driven Detection Engineering)
安全数仓 (Security Data Warehouse): 内置轻量级数仓,支持 OCSF (Open Cybersecurity Schema Framework) 标准数据的存储与检索。
遥测数据观测: 提供可视化的数据透视表,让分析师能够直接观测原始遥测日志(Telemetry),验证数据质量与攻击特征。
检测工程工作台: 专用的工作区,展示从“数据”到“规则”的转化过程,实现检测逻辑的透明化与可解释性。
🧠 深度推理与认知智能 (Deep Reasoning & Cognitive Intelligence)
搭载DeepSeek强推理引擎,具备类人的逻辑分析与决策能力。
思维链 (Chain of Thought):能够处理模糊信息,自主规划调查路径,构建完整的证据链,实现从“告警”到“结论”的端到端自动化。
🕸️ 动态全息图谱 (Dynamic Threat Graph)
基于streamlit-agraph实时构建攻击链路的可视化知识图谱。
通用图谱构建引擎:内置归属、交互、因果三大通用连接原则,无论是 APT 攻击还是勒索软件,都能自动构建出环环相扣的攻击叙事。
拒绝孤立节点:强制关联实体,将碎片化的线索(IP、域名、文件、漏洞)重组为直观的攻击叙事。
🛡️ 异步人机共生 (Async Human-AI Symbiosis)
创新的HITL (Human-in-the-Loop)机制,确保 AI 在自主行动的同时,关键决策(如全网封禁)始终处于人类专家的监管之下。
非阻塞式交互:采用PENDING_APPROVAL机制,AI 提交高危操作申请后继续执行其他任务,等待人类专家在仪表盘进行异步确认。
🏗️ 系统架构详解
本项目采用分层架构设计,模拟真实的企业级安全运营环境:
仪表盘 (Streamlit):app/main.py
安全分析师的可视化作战中心。
检测工程工作台: 展示数据生成与规则开发过程。
安全数仓视图: 实时查看 OCSF 遥测数据。
作战室: 实时展示 Agent 的调查全过程和知识图谱。
MCP 服务器 (FastAPI):mcp_server/main.py
充当 Agent 的“手脚”。
提供标准 API 供 Agent 调用。
包含真实/模拟的安全工具逻辑。
AI Agent (Python):agent/
core.py: 运营的“大脑”。定义了基础Agent类以及七大专业角色(紫队、检测、引擎、分诊、取证、指挥官、报告)。
engine.py: 分析引擎,负责将 OCSF 遥测数据与检测规则进行匹配。
ocsf.py: 定义 OCSF (Open Cybersecurity Schema Framework) 数据模型。
⚙️ 执行流程示例 (平行仿真场景)
以下展示了系统如何处理一个完整的平行仿真演练:
剧本定义: 用户输入攻击剧本(例如 Lazarus APT 攻击)。
数据生成 (Step 1):紫队工程师生成包含正常背景噪声和恶意行为的 OCSF 遥测数据,并存入安全数仓。
规则开发 (Step 2):检测工程师分析数仓中的遥测数据,自动编写检测规则。
引擎扫描 (Step 3):分析引擎运行规则,扫描数仓,触发告警。
分诊 (Triage):分诊工程师分析告警可信度,判定为高风险,转交取证。
取证 (Forensics):取证工程师
调用check_ip_reputation确认源 IP 为恶意。
调用analyze_payload识别附件为恶意下载器。
调用graph_add_relation构建图谱:IP(45.33...)--[投递]-->Host(Workstation)。
关联分析: 当后续收到 "C2 Connection" 告警时,Forensic Agent 自动将其关联到已有的Host(Workstation)节点,形成攻击链路。
响应 (Commander):指挥官判定威胁确凿,尝试封禁 C2 IP。
人工审批 (HITL): 触发PENDING_APPROVAL,分析师在界面点击“批准”。
报告 (Reporter):报告工程师自动生成包含完整证据链和处置结果的 Markdown 报告。
🚀 快速开始
- 环境准备
克隆项目并安装依赖:
pip install -r requirements.txt2. 启动服务
你需要打开两个终端窗口分别运行以下命令:
终端 1:启动 MCP 工具服务器
python3 -m uvicorn mcp_server.main:app --reload --port 8000终端 2:启动 Web 仪表盘
python3 -m streamlit run app/main.py3. 配置与体验
访问界面: 打开浏览器访问http://localhost:8501。
配置 API Key: 在左侧边栏的"系统配置"中输入你的DeepSeek API Key和VirusTotal API Key(可选)。配置仅在当前会话有效,无需修改本地文件。
平行仿真演练:
在侧边栏的"♾️ 平行仿真演练 (Parallel Simulation)"区域,输入或使用默认的攻击剧本。
点击"🚀 启动全流程演练"。
系统将自动执行数据生成、规则开发和引擎检测,随后进入 SOC 处置流程。
观察与交互:
观察"SOC Team"区域,看不同角色的 AI 工程师如何接力工作。
在"安全数仓"区域,查看生成的 OCSF 遥测数据。
在"知识图谱"区域,查看实时构建的攻击链路。
当遇到高危操作时,在"人工决策"区域进行批准或拒绝。
📂 项目结构
.├── app/ # 前端界面 (Streamlit)│ └── main.py # 主程序:UI 布局、状态管理、可视化├── mcp_server/ # 工具服务 (FastAPI)│ └── main.py # 提供 IP 信誉查询、防火墙、图谱管理等 API├── agent/ # Agent 核心逻辑│ ├── core.py # 定义 BaseAgent 类及七大专业角色│ ├── engine.py # 分析引擎:负责规则匹配与告警触发│ └── ocsf.py # 数据标准:OCSF 遥测数据模型定义├── requirements.txt # 项目依赖└── README.md # 项目文档