AshwinNHacker/side-channel-honeypot
GitHub: AshwinNHacker/side-channel-honeypot
面向多租户GPU/VRAM环境的多语言欺骗安全框架，通过故意延迟内存清零构建「蜜罐窗口」，用AI生成的虚假数据检测并中和侧信道攻击。
Stars: 1 | Forks: 0
# 🛡️ 侧信道蜜罐与欺骗矩阵
[](https://www.rust-lang.org/)
[](https://www.python.org/)
[](https://golang.org/)
[](https://www.typescriptlang.org/)
[](LICENSE)
[](SECURITY.md)
## 📖 目录
- [概述](#overview)
- [架构](#architecture)
- [欺骗策略](#the-deception-strategy)
- [模块](#modules)
- [快速开始](#quick-start)
- [API 参考](#api-reference)
- [研究背景](#research-background)
- [贡献](#contributing)
- [许可证](#license)
## 🎯 概述
**侧信道蜜罐与欺骗矩阵** 是一个生产级的多语言安全框架，它将被动的内存保护转变为**主动欺骗工程**。专为多租户 GPU/VRAM 环境（云端 AI 推理、模型服务平、机密计算）构建，它通过向攻击者提供看似真实但完全虚假的数据，同时启动应急响应，从而检测并中和侧信道攻击。
### 关键创新：蜜罐窗口
传统的内存安全方法在内存释放时会立即将其清零。我们**故意延迟清零**以创建一个受控的漏洞利用窗口——即**蜜罐窗口**——在此期间，任何对“已释放”内存的访问都必定是恶意的。我们不会崩溃或返回垃圾数据，而是提供** honey-token **：由 AI 生成的虚假 API key、模型权重和凭据，它们看起来足够真实以欺骗攻击者，但实际上毫无用处。
### 中和的攻击向量
| 攻击向量 | 检测方法 | 欺骗响应 |
|--------------|------------------|-------------------|
| **Use-After-Free** | 内存状态 = `Released` | 带有追踪信标的虚假模型权重 |
| **Heap Spraying** | 快速连续分配 | 投毒的内存模式 |
| **Timing Side-Channel** | 重复访问 + 睡眠模式 | 可变延迟的虚假数据 |
| **Rowhammer Variant** | 激进的行访问 | 看似损坏但无害的数据 |
| **Container Escape** | 跨租户内存访问 | 反情报 payload |
## 🏗️ 架构
```
┌─────────────────────────────────────────────────────────────────┐
│ TENANT CONTAINERS │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │Tenant A │ │Tenant B │ │Tenant C │ │ATTACKER │ │
│ │ (Legit) │ │ (Legit) │ │ (Legit) │ │(Malicious)│ │
│ └────┬────┘ └────┬────┘ └────┬────┘ └────┬────┘ │
│ │ │ │ │ │
│ └────────────┴────────────┴────────────┘ │
│ │ │
│ ┌──────────▼──────────┐ │
│ │ VRAM MANAGER │ │
│ │ (Rust Core — Zero │ │
│ │ Cost Abstractions)│ │
│ └──────────┬──────────┘ │
│ │ │
│ ┌───────────────┼───────────────┐ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ ┌────────┐ ┌──────────┐ ┌──────────┐ │
│ │NORMAL │ │ RELEASED │ │ ZEROED │ │
│ │READ │ │ BLOCK │ │ BLOCK │ │
│ │(OK) │ │ │ │ │ │
│ └────────┘ │ ┌──────┐ │ └──────────┘ │
│ │ │HONEY │ │ │
│ │ │POT │ │◄── HONEYPOT WINDOW │
│ │ │TRAP │ │ (5-30 seconds) │
│ │ └──────┘ │ │
│ └────┬─────┘ │
│ │ │
│ ┌─────────▼──────────┐ │
│ │ 🍯 HONEYPOT LAYER │ │
│ │ │ │
│ │ • ML-Generated Fake │ │
│ │ API Keys │ │
│ │ • Poisoned Model │ │
│ │ Weights │ │
│ │ • Fake Credentials │ │
│ │ • Tracking Beacons │ │
│ └─────────┬───────────┘ │
│ │ │
│ ┌──────────────┼──────────────┐ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ ┌────────┐ ┌──────────┐ ┌──────────┐ │
│ │Python │ │ Go │ │TypeScript│ │
│ │ML/ML │ │ Daemon │ │Dashboard │ │
│ │Engine │ │(Zeroing &│ │(Real-time│ │
│ │(PyTorch)│ │ Metrics) │ │ Viz) │ │
│ └────────┘ └──────────┘ └──────────┘ │
└─────────────────────────────────────────────────────────────────┘
```
## 🧠 欺骗策略
### 1. 行为分析 (Python)
系统为每个 PID 维护一个内存访问模式的滑动窗口。通过序列分析，它可以检测到：
- **顺序抓取**：以可预测的增量读取地址
- **Heap Spray 检测**：快速分配模式
- **Use-After-Free 探测**：访问最近释放的区域
- **Timing Side-Channel**：带有故意延迟的重复访问
### 2. 自适应欺骗模式
基于威胁评分 (0.0–1.0)，系统会选择一种欺骗策略：
| 威胁评分 | 模式 | 描述 |
|-------------|------|-------------|
| 0.0–0.2 | **PASSIVE** | 带有基本日志记录的标准 honey-token |
| 0.2–0.5 | **ACTIVE** | 虚假数据 + 完整日志记录 + 追踪信标 |
| 0.5–0.8 | **ADAPTIVE** | 由 ML 生成的逼真数据 (DefenderGAN) |
| 0.8–1.0 | **COUNTERINTEL** | 用于破坏攻击者 ML 模型的投毒数据 |
### 3. Honey-Token 类型
- **API Key**：结构有效但无功能的 key (OpenAI, Anthropic, AWS, GCP, Azure, HuggingFace, GitHub)
- **模型权重**：高斯分布的张量，看起来像真实的 transformer 权重，但在数学上毫无用处
- **凭据**：带有虚假密码的逼真数据库连接字符串
- **通用数据**：格式化为匹配预期内存模式的随机字节
### 4. 追踪信标
每个 honey-token 都包含一个**隐写信标**——一种隐藏的标识符，允许我们检测该 token 是否被窃取并在其他地方使用（例如，发布到 Pastebin、用于 API 调用，或在攻击者的基础设施中发现）。
## 📦 模块
### 🔧 Rust 核心 (`rust_core/`)
**目的**：零开销且内存安全的 VRAM 引擎，带有 FFI 导出
```
// The critical honeypot method
pub fn read_unsafe(
&self,
caller_pid: u32,
caller_tenant_id: &str,
addr: usize,
size: usize,
) -> Result, String> {
// If block.state == Released -> trigger_honeypot()
// Return realistic fake data + fire incident
}
```
**主要特性**：
- 设计上保证内存安全（Rust 所有权系统）
- 零开销抽象——正常操作无运行时开销
- 用于 Python/Go 集成的 FFI 导出
- 使用 `RwLock` + `Mutex` 进行并发块管理
- SHA-256 完整性追踪
**构建**：
```
cd rust_core
cargo build --release
cargo test
```
### 🐍 Python 蜜罐 (`python_honeypot/`)
**目的**：带有对抗性防御的 ML 驱动欺骗引擎
**主要特性**：
- **DefenderGAN**：用于生成逼真 honey-token 的对抗性生成器
- **BehavioralAnalyzer**：基于序列的攻击模式检测
- **HoneyTokenFactory**：上下文感知的虚假数据生成
- **DeceptionEngine**：具有自适应策略的主编排器
**构建**：
```
cd python_honeypot
pip install -r requirements.txt
python -m pytest tests/
```
### 🐹 Go Daemon (`go_daemon/`)
**目的**：高性能清零引擎、指标和 API
**主要特性**：
- 具有可配置间隔的并发清零循环
- Prometheus 指标导出（`honeypot_*` 计数器和直方图）
- 用于块管理和事件查询的 REST API
- 带有隔离触发器的事件响应处理器
- 适用于内核集成的 eBPF 就绪架构
**构建**：
```
cd go_daemon
go mod tidy
go build -o honeypot-daemon
go test ./...
```
### ⚛️ TypeScript 仪表盘 (`typescript_dashboard/`)
**目的**：实时安全可视化
**主要特性**：
- 实时内存映射可视化（按状态进行颜色编码）
- 带有严重性追踪的事件时间轴
- 威胁分布图表
- 攻击向量分析
- 用于演示的模拟攻击按钮
**构建**：
```
cd typescript_dashboard
npm install
npm start
```
## 🚀 快速开始
### 前置条件
- Docker & Docker Compose
- Rust 1.75+（用于核心开发）
- Python 3.11+（用于 ML 组件）
- Go 1.21+（用于 daemon）
- Node.js 18+（用于仪表盘）
### 选项 1：Docker Compose（推荐）
```
# Clone 仓库
git clone https://github.com/your-org/side-channel-honeypot.git
cd side-channel-honeypot
# 启动所有服务
docker-compose up --build
# 访问 dashboard
open http://localhost:3000
# 查看 Prometheus metrics
open http://localhost:9091
# 查看 Grafana dashboards
open http://localhost:3001 (admin/honeypot_admin)
```
### 选项 2：本地开发
```
# 1. 构建 Rust core
cd rust_core
cargo build --release
# 2. 安装 Python dependencies
cd ../python_honeypot
pip install -r requirements.txt
# 3. 构建 Go daemon
cd ../go_daemon
go build -o honeypot-daemon
# 4. 启动 dashboard
cd ../typescript_dashboard
npm install && npm start
# 5. 运行 integration tests
cd ../tests
pytest test_integration.py
```
## 📡 API 参考
### REST Endpoint (Go Daemon)
| 方法 | Endpoint | 描述 |
|--------|----------|-------------|
| GET | `/health` | 服务健康检查 |
| GET | `/metrics` | Prometheus 指标 |
| GET | `/api/v1/blocks` | 列出所有内存块 |
| POST | `/api/v1/release` | 释放内存块 |
| GET | `/api/v1/incidents` | 列出安全事件 |
### FFI 接口 (Rust 核心)
```
// Initialize the VRAM engine
void* vram_init(uint64_t zeroing_interval_ms);
// Allocate memory for a tenant
uint64_t vram_allocate(
void* engine,
const char* tenant_id,
size_t tenant_id_len,
uint32_t pid,
size_t size,
uint8_t security_class
);
// Read memory (triggers honeypot if Released)
int32_t vram_read_unsafe(
void* engine,
uint32_t caller_pid,
const char* caller_tenant_id,
size_t tenant_id_len,
uintptr_t addr,
size_t size,
uint8_t* out_buf,
size_t out_buf_len
);
```
## 🔬 研究背景
本项目实现了以下前沿研究中的概念：
- **防御性 ML** (DefenderGAN)：使用对抗性生成器在架构层混淆侧信道
- **移动目标防御**：通过随机化和欺骗实现概率性内存安全
- **主动欺骗工程**：适用于内存安全场景的蜜罐技术
- **迷惑代理人防御**：通过资源访问控制防止提权
### 学术基础
- Liu & Hsieh (2019): *Rob-GAN: Generator, Discriminator, and Adversarial Attacker* — 用于稳健防御的对抗性训练
- Samangouei et al. (2018): *Defense-GAN* — 使用 GAN 净化对抗性样本
- Paccagnella et al. (2021): 云环境中的内存争用侧信道
- CISA (2023): 软件产品对内存安全的迫切需求
## 📄 许可证
本项目采用双重许可：
- **MIT License** — 见 [LICENSE-MIT](LICENSE-MIT)
- **Apache License 2.0** — 见 [LICENSE-APACHE](LICENSE-APACHE)
您可以自行选择其中一种许可证。
## ⚠️ 安全声明
这是一个**研究与防御工具**。其设计旨在：
- 保护您自己的系统免受侧信道攻击
- 在受控环境中检测并欺骗攻击者
- 推动内存安全研究的发展
**请勿**使用此工具攻击您不拥有或未获得明确测试权限的系统。
标签：Apex, BOF, Docker镜像, 侧信道攻击防护, 凭据扫描, 可视化界面, 多语言混合架构, 日志审计, 机器学习, 欺骗防御, 自定义请求头, 蜜罐, 证书利用, 请求拦截, 逆向工具