Ananyacodes/Security-Operations-Network-Analysis-Response

# SONAR - Digital Forensics & Security Analysis Toolkit ## 概述 **SONAR**（Security Operations Network Analysis & Response）是一款功能强大的开源数字取证工具包，结合了 Python 的易用性与 Rust 的高性能。SONAR 专为真实的网络安全调查而设计，提供企业级的分析能力，用于检测隐藏威胁、分析可疑文件以及挖掘数字证据。 ### 为什么选择 SONAR？ - **经过实战检验的算法** - 实现了源自学术研究的成熟取证技术 - **混合性能** - Python 的易用性 + Rust 的速度（快 10-100 倍） - **Docker 支持** - 通过容器化实现零烦恼部署 - **生产就绪** - 内存安全、可靠，可处理 TB 级规模的文件 - **多格式报告** - 支持 JSON、HTML 和 PDF 输出，适配任何工作流 - **开源** - MIT 许可证，社区驱动开发 # 演示 https://github.com/user-attachments/assets/33c86d0e-e7f0-4e7b-9eb5-997cd81cb970 # 创建虚拟环境 # 安装 ### 目录结构 docker-compose run -e SONAR_LOG_LEVEL=DEBUG sonar analyze /evidence/file.jpg sonar-forensics:latest analyze /evidence/file.jpg ## 命令行界面 sonar analyze ./evidence_folder/ --output ./my_reports/ ### 高级选项 # 详细调试输出 ### 代码质量工具 # SONAR — 数字取证与安全分析工具包  SONAR (Security Operations Network Analysis & Response) 是一款开源数字取证工具包，结合了 Python 的易用性与 Rust 的高性能。SONAR 可帮助调查人员检测隐藏威胁、分析可疑文件，并生成用于自动化流程或人工审查的专业报告。 -- 目录 - 概述 - 为什么开发 SONAR？ - 功能 - 快速开始 - Docker 部署 - CLI 与 API - 架构 - 测试 - 开发与贡献 - 许可证与法律声明 -- ## 概述 SONAR 为隐写术检测、deepfake 分析、网络取证和密码学检查提供了统一的接口。该项目专为真实的调查场景以及 SOC（安全运营中心）和事件响应工作流中的自动化而设计。 ## 为什么开发 SONAR？ - **问题所在**：取证工具通常是碎片化的、昂贵的，或者难以自动化。 - **解决方案**：SONAR 提供了一个单一、可扩展的工具包，包含 Python CLI/API，以及用于性能关键模块的可选 Rust 引擎。 优势： - 统一的 CLI 和 Python API，便于集成与自动化。 - 由 Rust 驱动的引擎，用于 DSP、crypto 和大文件处理。 - 面向 CI/CD 的 JSON 输出；面向调查人员和报告的 HTML/PDF 输出。 - 模块化架构 —— 按需安装。 ## 目标用户 - 事件响应人员和 SOC 团队 - 数字取证调查员 - 安全研究员和教育工作者 - 将取证集成到 pipeline 中的自动化工程师 ## 功能 - 隐写术检测：LSB 分析、直方图异常、熵检查、多格式支持。 - Deepfake 检测：多模型集成、面部/时间不一致性检查、置信度评分。 - 数字取证：文件 artifact 提取、时间线重建、magic-byte 识别、哈希计算。 - 密码学分析：算法检测、熵/密钥强度估计、漏洞提示。 - 元数据提取：EXIF、文档属性、音频/视频元数据、隐藏数据发现。 - 信号处理：频域分析、统计异常检测、Rust 中的 SIMD 优化。 ## 快速开始（摘要） 前置条件：Docker（推荐）或 Python 3.8+ 和 Rust 1.70+（用于源码构建）。 1. Docker（推荐 —— 最快） ``` git clone https://github.com/Ananyacodes/Security-Operations-Network-Analysis-Response.git cd Security-Operations-Network-Analysis-Response docker-compose build docker-compose run --rm sonar analyze /evidence/suspicious_file.jpg --format json ``` 2. pip install（简单） ``` git clone https://github.com/Ananyacodes/Security-Operations-Network-Analysis-Response.git cd Security-Operations-Network-Analysis-Response pip install -e . sonar analyze suspicious_file.jpg --format html ``` 3. 完整构建（开发 + 最高性能） ``` python -m venv venv venv\Scripts\activate pip install -r requirements.txt cd engine_rust && cargo build --release && cd .. pip install -e . ``` ## Docker 部署（摘要） - 构建并分析： ``` docker-compose build docker-compose run --rm sonar analyze /evidence/ --output /app/reports --format json ``` - 进阶：在 `docker-compose` 中设置 `--memory` / `--cpus`，或传入 `-e SONAR_LOG_LEVEL=DEBUG` 以调试模式运行。 ## 命令行界面（摘要） - 分析文件或目录：`sonar analyze ` - 模式：`--mode stego|deepfake|full` - 输出格式：`--format json|html|pdf` - 批量处理：提供目录路径并配合 `--output` 来收集报告。 - 常用标志：`--verbose`、`--threshold `、`--output ` 示例： ``` sonar analyze evidence/image.png --mode stego --format html sonar analyze evidence/ --mode full --format json --output reports/ ``` ## Python API（摘要） 示例：隐写术检测 ``` from core_python import SteganographyDetector det = SteganographyDetector() res = det.analyze('image.png') print(res['confidence_score']) ``` Rust 引擎使用（如果可用）： ``` from bindings import rust_engine if rust_engine.initialized: # high-performance analysis pass ``` ## 架构 - Python 核心：CLI、编排、报告模板 - Rust 引擎：DSP、crypto、取证原语（通过 bindings 暴露） - Bindings：连接 Python 与 Rust 实现的 PyO3 桥 - 输出：JSON（自动化）、HTML（交互式）、PDF（打印/法律用途） 项目结构（高层概览）： ``` core_python/ # CLI and Python detectors bindings/ # PyO3 bindings and stubs engine_rust/ # Rust modules (crypto, dsp, forensics) tests/ # unit and integration tests ``` ## 置信度评分 — 解释 - 0.0–0.3：低可疑度 —— 文件可能是干净的 - 0.3–0.6：中等可疑度 —— 需进一步调查 - 0.6–0.85：高可疑度 —— 很可能包含隐藏数据 - 0.85–1.0：极高可疑度 —— 极可能已被篡改/感染 常见指标：高熵、LSB 变化、元数据异常、统计或直方图不规则。 ## 报告格式 - JSON：机器可读，适配 CI/CD - HTML：人类可读，包含图表和可视化 - PDF：适合打印，适用于文档记录和法律用途 ## 测试 在本地或 Docker 内运行测试： ``` pytest pytest --cov=core_python --cov=bindings --cov-report=html docker-compose run --rm sonar pytest ``` ## 开发 1. 创建 virtualenv 并安装开发依赖：`pip install -e .[dev]` 2. 构建 Rust：`cd engine_rust && cargo build --release` 3. 格式化与 lint：`black . && cargo fmt && flake8 && cargo clippy` 4. 为新功能添加测试并运行 `pytest`。 贡献：请参阅 `CONTRIBUTING.md` —— fork、创建功能分支、添加测试、提交 PR。 ## 示例 - 检测图像中的隐藏数据：`sonar analyze photo.png --mode stego --format html` - 验证视频真实性：`sonar analyze interview.mp4 --mode deepfake --format json` - 批量处理证据：`sonar analyze /evidence/ --output reports/ --format json` ## 许可证 MIT。详情请参阅 `LICENSE`。 ## 法律与安全 法律声明：仅供合法的取证、研究和教育使用。用户必须遵守适用法律。 安全：请按照 `SECURITY.md` 报告漏洞。 由 SONAR 团队构建 —— 用分析工具赋能数字取证专业人员。

标签：Python, Rust, 可视化界面, 域环境安全, 密码分析, 恶意软件沙箱, 数字取证, 无后门, 网络流量审计, 自动化脚本, 请求拦截, 逆向工具, 隐写术检测