PeteAndrews1289/PeteAndrews1289

# Peter Andrews Jr. ### 云安全与检测工程 · AWS · Splunk · Python · Terraform 我致力于构建覆盖防御闭环的安全项目：收集云和工作负载遥测数据，将其转化为供分析师直接使用的检测方案，并原型化经人工审批的响应自动化流程。我的软件开发经历包括主导开发了 **MyFitPlate**，这是一款已上架 App Store 的原生 iPhone 和 Apple Watch 应用；在研究方面，我发表了一篇关于移动应用安全与隐私的 IEEE 同行评审论文。 我正在寻求云安全、检测工程、安全自动化、DevSecOps 和 SOC 相关的机会。 ## 精选项目 ### [MyFitPlate](https://github.com/PeteAndrews1289/MyFitPlate) 一款用于营养、训练、恢复和循证指导的生产级 SwiftUI 应用程序。该公开代码库记录了其 iPhone 和 Apple Watch 架构、Firebase 和 Cloud Functions 后端、隐私与安全控制、迁移方案以及自动化测试套件。[在 App Store 上查看](https://apps.apple.com/us/app/myfitplate-macro-tracker/id6740922831)。 ### [AWS DevSecOps Pipeline](https://github.com/PeteAndrews1289/aws-devsecops-pipeline) 一个刻意拆分的供应链安全案例研究。它保留了一个隔离的易受攻击的 Flask 目标用于教学证明，同时通过测试、Bandit、代码库策略检查以及拦截 HIGH/CRITICAL 级别的 Trivy 门控来保护另一个单独修复后的应用程序。配套的 Terraform 和 Kubernetes 示例使用了加固的默认配置，并声明了它们已下线、仅供参考的状态。 ### [Honeypot SIEM 案例研究](https://github.com/PeteAndrews1289/honeypot-siem-project) 一项已完成并下线的 Cowrie 和 Conpot 研究，用于分析 Splunk 中真实的 SSH、Telnet 和 ICS/SCADA 活动。其公开的证据包隐去了原始标识符、凭据、命令和有效载荷，同时保留了可审计的汇总结果。 ### [Detection Engineering 实验室](https://github.com/PeteAndrews1289/detection-engineering-lab) 一个“检测即代码”的作品集，包含版本化的 AWS IAM、AWS root、PowerShell 和 LSASS 假设；合成的恶意与良性测试夹具；无依赖匹配器；回归测试；以及分析师分诊 playbook。检入的结果报告了四个预期的测试夹具匹配，没有出现测试夹具误报或漏报，且没有将合成的验证结果谎报为生产环境的实际效能。 ### [AWS 自动化 SOAR Playbook](https://github.com/PeteAndrews1289/aws-automated-soar-playbook) 一个无服务器响应案例研究，具备经过身份验证的 webhook、抗重放机制、明确的事件状态、人工审批、限定范围的 IAM 角色以及遏制验证。十六个测试覆盖了成功和失败路径；原始的 IAM `AccessDenied` 结果仍作为反面证据记录在案，而不是被篡改为成功的遏制声明。 ## 自主系统与可靠性 这些项目展示了我如何从受控实验走向产品工程：保留反面证据，识别可靠性边界，并将这些经验教训编码到确定性的、可观测的软件中。 ### [Dungeon Apprentice — 累积学习研究](https://github.com/PeteAndrews1289/dungeon-apprentice) 一项已完成的 recurrent-PPO 研究，包含程序化可解性检查、不相交的评估套件、检查点完整性以及预注册的晋级门控。强劲的平均能力并不能消除罕见的灾难性交互循环，因此该研究在结束时并未推广一种不可靠的架构。 ### [Dungeon Apprentice — 确定性 Godot 原型](https://github.com/PeteAndrews1289/dungeon-apprentice-game) 一个已完成的、系统丰富的垂直切片项目，玩家可以在其中组合团队 playbook、封印指令、观察自主探险并审计基于证据的结果。确定性模拟独立于渲染、回放速度和 UI 状态。 ### [Pokémon Red AI — 体验式学习研究](https://github.com/PeteAndrews1289/pokemon-red-ai) 一项已完成的研究，旨在探究一个随机初始化的循环视觉策略是否能将自生成的经验转化为累积的游戏技能。V12 版本在四个模拟器上处理了 824 万次操作，并通过 Route 1 回放验证了七个里程碑，然而在冻结的评估阶段，最终成绩停留在 55/502，未保留任何有效技能且没有组合能力——这证明了发现和训练活动并不等同于持久的胜任力。 ## 研究 合著者，**“A Security and Privacy Assessment of Mobile Ride-Sharing Applications，”** IEEE SoutheastCon 2026。[DOI: 10.1109/SoutheastCon63549.2026.11476248](https://doi.org/10.1109/SoutheastCon63549.2026.11476248) ## 资质认证 CompTIA Security+ · Splunk Core Certified Power User · AWS Certified Cloud Practitioner ## 工作原则 - 将观察到的证据与推断区分开来。 - 相比单纯的截图，更倾向于可复现的代码、测试和经过脱敏处理的数据。 - 保持高风险操作需经人工审批，并如实记录失败情况。 - 在收集证据后，销毁临时的云和 Honeypot 基础设施。

标签：DevSecOps, 上游代理, 个人作品集, 子域名突变, 漏洞利用检测, 移动应用开发, 逆向工具