rudranipulkantwar-pixel/SOC-CoPilot-

GitHub: rudranipulkantwar-pixel/SOC-CoPilot-

一个基于本地LLM和Streamlit构建的AI驱动SOC分析师仪表板,用于安全日志解析、事件严重性分级、MITRE ATT&CK映射以及自动化事件摘要与缓解建议生成。

Stars: 0 | Forks: 0

# 🛡️ SOC Copilot – AI 驱动的 SOC 分析师仪表板 SOC Copilot 是一个 **AI 驱动的安全运营中心 (SOC) 助手**,可帮助分析师**分析日志、分类事件严重性、映射 MITRE ATT&CK 技术以及生成包含缓解步骤的事件摘要**——所有这些都通过交互式的 **Streamlit 仪表板**完成。 该项目利用结构化日志解析、基于规则的检测和**本地 LLM 推理**,反映了**真实世界的 SOC 工作流程**。 ## 🚀 功能 - 🔍 **日志摄取与解析** - 从原始日志中提取平台、时间戳和指标 - 🚨 **严重性分类** - 使用规则 + AI 进行 LOW / MEDIUM / HIGH / CRITICAL 分级 - 🧠 **LLM 驱动的推理** - 本地 LLMs (Ollama: Mistral / LLaMA) 进行分析 - 🎯 **MITRE ATT&CK 映射** - 检测相关的战术与技术 - 📝 **事件摘要与缓解** - 易读的报告和修复指南 - 📊 **交互式 SOC 仪表板** - 使用 Streamlit 进行实时调查 ## 🧰 技术栈 | 类别 | 技术 | |---|---| | 语言 | Python | | 仪表板 | Streamlit | | AI / LLM | Ollama (Mistral 7B / LLaMA) | | 编排 | LangChain | | 威胁框架 | MITRE ATT&CK | | 数据 | Pandas | | 可视化 | Plotly | | 版本控制 | Git & GitHub | ## 🏗️ 项目结构 soc-copilot/ │ ├── app.py # Streamlit SOC 仪表板 ├── modules/ # 核心 SOC 逻辑 │ ├── init.py │ ├── log_parser.py │ ├── severity_engine.py │ ├── llm_engine.py │ ├── langchain_pipeline.py │ ├── mitre_engine.py │ └── elastic_client.py │ ├── data/ # 示例 / 已摄取的日志 ├── output/ # 生成的输出(已忽略) ├── env/ # 虚拟环境(已忽略) │ ├── .gitignore ├── requirements.txt └── README.md ## 🔄 SOC 分析流程 1. **日志输入** → 通过 UI/文件提供原始日志 2. **解析** → 提取平台、时间戳、指标 3. **严重性分析** → 规则 + AI 分类 4. **MITRE 映射** → 识别战术与技术 5. **LLM 推理** → 生成摘要与缓解措施 6. **仪表板视图** → 分析师在一处进行调查 ## ▶️ 本地运行 ### 1) 克隆 git clone https://github.com/Nileshrak305/soc_copilot.git cd soc-copilot ### 2) 虚拟环境 python -m venv env env\Scripts\activate # Windows ### 3) 安装依赖 pip install -r requirements.txt ### 4) 启动应用 streamlit run app.py 🤖 LLM 设置 (Ollama) ### 安装 Ollama 并拉取模型: ollama pull mistral 或 ollama pull llama3 在启动应用之前,请确保 Ollama 正在本地运行。 ### 🎯 使用场景 SOC 日志分类与调查 蓝队训练模拟 AI 辅助的事件分析 威胁检测实践 ### 🔐 安全实践 通过 .gitignore 忽略虚拟环境和输出 不提交任何机密信息 模块化、可审计的代码 本地 LLMs(无数据泄露) ### 🛣️ 路线图 实时 Elasticsearch 摄取 SIEM 集成 风险评分与趋势 Docker 化部署 自动化事件工单生成 ### 💼 简历亮点 使用 Python、Streamlit、LangChain 和 MITRE ATT&CK 构建了一个 AI 驱动的 SOC 仪表板,以分析日志、分类严重性,并通过本地 LLMs 生成自动化的事件摘要。 ### 👤 作者 Rudrani Pulkantwar SOC 与安全爱好者 GitHub: https://github.com/Nileshrak305 ⭐ 如果您觉得这个项目有用,请给仓库加星!
标签:AI风险缓解, API密钥扫描, Cloudflare, Copilot, DLL 劫持, Elasticsearch, HTTP工具, Kubernetes, LangChain, LLaMA, LLM, LLM评估, Mistral, MITRE ATT&CK, Ollama, Plotly, Python, Streamlit, Unmanaged PE, 人工智能, 告警研判, 大语言模型, 威胁情报, 子域名变形, 安全仪表盘, 安全运营中心, 密钥管理, 开发者工具, 插件系统, 无后门, 智能助手, 用户模式Hook绕过, 结构化查询, 网络安全, 网络安全审计, 网络映射, 自动化安全, 访问控制, 误报过滤, 轻量级, 逆向工具, 隐私保护, 风险优先级排序