AI-SOC — 展示其工作过程的 SOC

一个由三个 agent 组成的 pipeline，用于检测、解释并遏制针对关键基础设施的攻击——并且从不陈述无法引用来源的事实。

_{作者 ABHINAV SINGH & VISCOUS106，工程部  |  新德里  |  ET AI HACKATHON 2026 · 命题 7}

### 本期内容 | | | |---|---| | 📰 [**问题**](#the-problem) | 为什么每年 159 万起事件并不是核心问题 | | 🏗️ [**架构**](#the-architecture) | 四大支柱，三个协调 agent，一个接缝 | | 🛡️ [**为什么不仅仅是一个 Dashboard**](#why-its-not-just-an-ml-dashboard) | 让其具备防御能力的五个设计决策 | | 📊 [**数据解读**](#by-the-numbers) | ROC-AUC、recall/FPR 扫描，根据赛题要求进行评判 | | 🖼️ [**证据**](#the-evidence) | 运行中系统的截图，而非概念演示 | | 🗂️ [**仓库布局与快速开始**](#repo-layout) | 克隆它，运行它，破坏它 | | 📄 [**提交文档**](#submission-documents) | 详细报告 + 演示文稿 | | 🚦 [**状态报告**](#status-report) | 已完成什么，还剩下什么 | ## 问题 仅 CERT-In 在 2023 年就处理了超过 **159 万**起网络安全事件，而且这个数字还在不断攀升。AIIMS Delhi（2022 年）、CBSE（2024 年、2026 年）——印度的公共机构不断遭到攻击，并且**超过 70% 的政府实体运行着已停止维护的 IT 基础设施**。 基于特征的工具无法发现那些从不匹配已知特征且刻意进行低速隐蔽活动的高级持续性威胁。目前缺失的是一个**行为智能层**——它可以标记*“该主机的行为偏离了常态”*，将杀伤链中的微弱信号关联起来，并以足够快的速度采取行动，使得响应在几小时内发生，而不是几周。 ## 架构 一个由三个 agent 组成的 pipeline，被构建并连接为真正协调的 agent（而非概念幻灯片）： ``` [1] DETECTION AGENT [2] ATTRIBUTION & [4] DASHBOARD Isolation Forest, PREDICTION AGENT live feed · incident unsupervised, learns ──► RAG over ATT&CK / CVE / ──► brief · MITRE map · "normal" traffic, flags CERT-In → cited attack-path graph · deviations. No signatures. technique + next-stage approval queue · │ prediction audit trail · metrics │ │ ▲ └──────────► [3] RESPONSE ORCHESTRATOR AGENT ─────────────────┘ policy.py decides the action · human-approval gate above blast-radius threshold · hash-chained audit · SSE live stream ``` | 支柱 | 功能 | 位置 | |---|---|---| | **检测** | 仅在 UNSW-NB15 正常流量上训练的无监督 Isolation Forest；对实时流量评分，报告人类可读的特征偏差 | [`engine/`](engine/) | | **归因与预测** | Claude（Groq 备选）工具调用 agent，在包含 MITRE ATT&CK STIX + NVD CVE + CERT-In 建议的 Chroma 索引上进行检索后引用；绝不捏造技术 ID | [`intel/`](intel/) | | **响应编排器** | FastAPI SOAR 后端——权威策略表，模拟遏制剧本，人工审批网关，SSE 事件流 | [`orchestrator/`](orchestrator/) | | **Dashboard** | React + Vite + Tailwind——实时事件流，MITRE 技术矩阵，攻击路径/横向移动图，审批队列，防篡改审计视图 | [`frontend/`](frontend/) | **三个固定的 JSON 契约**（镜像为 Pydantic 模型）是每个支柱都要导入的接缝——`AnomalyEvent` → `EnrichedIncident` → `ContainmentAction`。没有任何东西会发生无感知的偏移。 ## 为什么它不仅仅是一个 ML Dashboard - **无特征。** 模型只学习“正常”流量的样子；它标记的是偏差，而不是已知模式——这正是攻击者规避特征匹配的关键所在。 - **始终检索后引用。** 归因 agent 绝不陈述无法从检索到的来源中找到依据的技术 ID。低检索率 → 较低的陈述置信度，而不是自信的猜测。 - **策略决定，而非 LLM。** `orchestrator/policy.py` 是映射 `(anomaly_score, severity) → action` 的唯一权威。agent 的建议仅供参考。 - **影响范围超阈值需人工介入。** 高影响操作（`isolate_host`）将保持在 `pending_approval` 状态，直到人工批准——这是强制要求，而非可选项。 - **真正的防篡改审计。** 每一个操作都是哈希链式的（`entry_hash = sha256(prev_hash + entry)`），并在客户端重新验证，而不仅仅是记录日志。 ## 数据解读 Isolation Forest，无监督，基于混合的正常 UNSW-NB15 流量进行拟合，在保留的正常流量和所有攻击流量上进行评估。标签仅用于评估——从不输入给模型。 | 指标 | 值 | |---|---| | **ROC-AUC**（无阈值） | **0.867** | | 平衡操作点下的 Recall | 0.749（10.0% FPR） | | 高召回操作点下的 Recall | 0.820（20.3% FPR） | | 平衡操作点下的 Precision | 0.981 | 完整的阈值扫描和分类方法详见 [`engine/RESULTS.md`](engine/RESULTS.md)。 **按照评委的标准评分：** | 评委要求 | 本仓库的回答 | |---|---| | 基准数据上的异常检测率 / FPR | ROC-AUC 0.867，上方的 recall/FPR 表格 | | ATT&CK 技术层面的 APT 归因准确率 | `intel/` 中的带标签评估集；检索后引用作为基础，无捏造的 ID | | 事件响应自动化覆盖率 | `autonomous_steps / total_steps`，在 Dashboard 上实时展示 | | 对比基线 SOC 的 MTTD/MTTR | 偏差 → 决策 → 模拟遏制在几秒钟内完成，而非几周 | | 每一个自动化操作的完全可审计性 | 哈希链 JSONL 审计日志，在客户端独立重新验证 | ## 证据 *并非概念演示——下方每张图片都是实际 Dashboard 的实时捕获，基于真实的后端获取。* | 操作（实时流） | 映射至 MITRE 的审计轨迹 | |---|---| |  |  | | 已验证防篡改 | 人工审批队列 | |---|---| |  |  | | 审批后遏制 | 攻击路径 / 横向移动图 | |---|---| |  |  | ## 仓库布局 ``` et-hackathon-ps7/ ├── docs/ │ ├── finalplan.md # source of truth: contracts, phases, non-negotiables │ ├── submission/ # detailed document (PDF) + pitch deck (PPTX) │ └── screenshots/ # live dashboard captures used above ├── data/fixtures/ # committed anomaly-event + enriched-incident fixtures (mock demo path) ├── engine/ # Detection agent — Isolation Forest (train / infer / replay) ├── orchestrator/ # Response orchestrator — FastAPI, schemas, policy, playbooks, audit ├── intel/ # Attribution & prediction agent — fetch / ingest (Chroma) / agent ├── frontend/ # React dashboard (Vite + Tailwind + shadcn) ├── demo.sh # one-command live demo: backend + frontend + real engine replay └── Makefile # setup / backend / frontend / test / train targets ``` ### 快速开始 ``` make setup # backend .venv (-e .[dev]) + frontend deps make dev # backend :8000 + frontend :5173 (LIVE mode) together # 或者，mock 模式 — 基于已提交 fixtures 的完整 demo，无需 backend make frontend # 或者，脚本化的端到端 live demo（backend + frontend + 真实 engine replay） ./demo.sh ``` 检测引擎（独立的 py3.12 venv——参见 [`engine/README.md`](engine/README.md))： ``` make engine-setup make train # fit Isolation Forest on UNSW-NB15, write engine/RESULTS.md make replay-engine # stream real model-scored events into a running backend ``` 测试：`make test`（后端），`make test-frontend`（Dashboard），`make test-engine`（检测）。 **Endpoint：** `GET /health` · `POST /events` · `GET /incidents` · `GET /incidents/{id}` · `POST /approve/{id}` · `GET /audit` · `GET /stream` (SSE) **技术栈：** Python (FastAPI, Pydantic v2, scikit-learn, ChromaDB) · Claude (`claude-sonnet-4-6`, Groq 备选) 工具调用 · React 19 + Vite + Tailwind + shadcn · UNSW-NB15 · MITRE ATT&CK STIX + NVD CVE + CERT-In 建议库。 ## 提交文档 | 文档 | 描述 | |---|---| | 📄 [**详细文档 (PDF)**](docs/submission/AI-SOC_Detailed_Document.pdf) | 完整的书面提交报告——问题、架构、agent 档案、结果、证据、时间线 | | 🎞️ [**演示文稿 (PPTX)**](docs/submission/AI-SOC_Pitch_Deck.pptx) | 演示文稿 | ## 状态报告 检测、归因、编排和 Dashboard 支柱已构建并完成了端到端连接（从行走的骨架到真实组件，依据 [`docs/finalplan.md`](docs/finalplan.md))——**它现在已经能够端到端运行了，而非概念演示。** ## 团队 为 ET AI Hackathon 2026 构建，由 **[Abhinav Singh](https://github.com/OfficialAbhinavSingh)** 和 **[Viscous106](https://github.com/Viscous106)** 完成。 ## 许可证 基于 [Apache License, Version 2.0](LICENSE) 授权。

_{THE AI-SOC TIMES · 特别报道  ·  github.com/OfficialAbhinavSingh/et-hackathon-ps7}

标签：AI安全运营中心, AV绕过, FastAPI, RAG, React, Syscalls, 关键基础设施防护, 安全编排自动化响应, 异常检测, 自动化攻击, 逆向工具