suhasini-ai-architect/ai-autonomous-security-mesh
GitHub: suhasini-ai-architect/ai-autonomous-security-mesh
一个基于LangGraph和Llama-3.2的多代理自主安全架构，通过有状态工作流实现威胁检测、取证分析与自愈响应。
Stars: 0 | Forks: 0
# 自主安全与自愈 AI Mesh
## 概述
本项目演示了一种**面向自主安全运营 的代理式 AI 架构**。它模拟了一个下一代**自愈系统**，能够：
* 检测威胁
* 分析攻击模式
* 生成缓解策略
* 执行补救措施
* 验证结果
* 智能重试（自愈循环）
与传统的基于规则的系统不同，该解决方案使用由 **LangGraph** 驱动的**多代理、有状态工作流**。
## 问题陈述
现代安全运营中心 (SOC) 面临：
* 告警疲劳（高噪音，低信号）
* 人工分流开销
* 事件响应缓慢
* 缺乏自动补救
## 解决方案
一个**自主 AI 首响应系统**，能够：
1. 使用监督代理过滤噪音
2. 执行深度取证分析
3. 生成缓解策略
4. 执行补救步骤
5. 验证结果
6. 如有需要，使用替代策略进行重试
## 架构图
## 实时演示
查看合规审计的运行情况：
## 架构概述
```
graph LR
subgraph UI Layer
A[Streamlit Dashboard]
end
subgraph Orchestration Layer
B[LangGraph State Machine]
end
subgraph Agents
C[Supervisor Agent]
D[Forensic Agent]
E[Strategist Agent]
F[Executor Agent]
end
subgraph AI Layer
G[LLM - Llama 3.x via Ollama]
end
subgraph Observability
H[Audit Logs / State Tracking]
end
A --> B
B --> C
C --> D
D --> E
E --> F
F --> B
C --> G
D --> G
E --> G
B --> H
```
## 核心功能
### 自主分流
* 在昂贵的 LLM 调用之前过滤噪音
* 降低计算成本
### 有状态推理
* 在步骤之间维护上下文
* 跟踪之前的失败和决策
### 自愈循环
* 使用 LangGraph 实现循环执行
* 自动重试失败的补救
### 本地 AI 部署
* 在本地 LLM 上运行 **Ollama**
* 确保**数据隐私与合规性**
### 人机协同 (HITL)
* 用于可视化的 Streamlit 仪表板
* 支持升级工作流
## 技术栈
| 层 | 技术 | 用途 |
| ------------- | ------------- | ----------------------------- |
| Orchestration | LangGraph | 有状态多代理工作流 |
| LLM | Llama (local) | 推理引擎 |
| Inference | Ollama | 本地模型服务 |
| UI | Streamlit | 监控 + 输入 |
| Backend | Python | 核心逻辑 |
## 项目结构
```
src/
├── agents/
│ ├── supervisor.py
│ ├── forensic.py
│ ├── strategist.py
│ └── executor.py
├── graph/
│ └── workflow.py
├── utils/
└── main.py
```
## 1. 前置条件
Python 3.10+
Ollama 已安装并运行 (ollama.com)
模型：下载所需的本地 LLM：
```
ollama pull phi4-mini:latest
ollama pull llama3.2:3b
```
## 2. 安装说明
克隆仓库并设置虚拟环境：
git clone https://github.com/suhasini-ai-architect/ai-autonomous-security-mesh.git
```
cd ai-autonomous-security-mesh
python -m venv venv
source venv/bin/activate # Windows: .\venv\Scripts\activate
pip install streamlit requests langgraph
```
## 3. 运行方式
确保 Ollama 服务在后台运行，然后启动 Mesh：
```
### 在一个单独的终端中
ollama serve
# 运行 Streamlit UI
streamlit run app.py
```
## 4. 测试 Mesh
1. 哨兵过滤器：选择 "Normal Traffic"。观察 phi4-mini 模型如何停止流程以节省计算成本。
2. 专家分析：选择 "SQL Injection"。观察系统如何将任务升级给 llama3.2:3b。
3. 自愈循环：观察验证步骤。如果缓解措施失败，图 将自动重新路由以寻找新策略。
## 工作原理
1. 用户提交日志/事件
2. 监督者确定是否为威胁
3. 取证代理分析攻击详情
4. 策略师生成缓解计划
5. 执行器应用模拟修复
6. 系统验证结果
7. 如果失败 → 循环回策略师
## 高级之处
* 不是聊天机器人 → **状态机 AI 系统**
* 不是线性的 → **循环执行（自愈）**
* 不是被动的 → **自主 + 决策制定**
## 示例用例
**输入：** 来自未知 IP 的可疑登录
**输出：**
* 威胁类型：凭证攻击
* 严重程度：高
* 操作：阻止 IP + 重置凭证
* 状态：已解决 / 重试 / 已升级
## 未来增强
* 集成 SIEM 工具
* 实时流式摄取
* 多模型路由（廉价 vs 强大的 LLM）
* Kubernetes 部署
## 作者
AI Architect | Multi-Agent Systems | Enterprise AI Design
标签：AI编排, AI风险缓解, AMSI绕过, Kubernetes, LangGraph, Llama-3.2, LLM评估, Ollama, PyRIT, Python, SecOps, SOC自动化, Streamlit, 云安全架构, 人工智能, 修复验证, 反模式检测, 告警降噪, 多智能体系统, 威胁检测, 实时取证, 攻击分析, 无后门, 智能重试, 状态机, 状态跟踪, 用户模式Hook绕过, 缓解策略, 网络安全, 自动化安全运营, 自愈系统, 访问控制, 逆向工具, 隐私保护