Recoger
Traiga eventos de seguridad, registros, alertas o datos estructurados relevantes a un flujo de trabajo repetible para su revisión.
← Volver a Proyectos
Investigación de operaciones de seguridad
SentinelForge
Operaciones de seguridad asistidas por IA
Un proyecto de investigación que explora cómo la IA controlada localmente puede ayudar a las operaciones de seguridad mediante la clasificación de eventos, el resumen de registros, los flujos de trabajo de respuesta a incidentes y la automatización controlada.
Operaciones de seguridadIA localAnálisis de registrosRespuesta a incidentesAutomatizaciónPythonPowerShellInvestigación
Resumen del proyecto
Investigación- Propósito
- Explorar cómo la IA local puede respaldar las operaciones de seguridad analizando registros, resumiendo incidentes, clasificando eventos y ayudando con los flujos de trabajo de respuesta.
- Mi función
- Investigación, diseño y documentación de un laboratorio personal.
- Estado de implementación
- SentinelForge es una dirección de investigación para la asistencia local de IA con eventos de seguridad. El preprocesamiento Python y la automatización PowerShell siguen planeados.
- Próximo hito
- Publique eventos sintéticos, etiquetas esperadas, una rúbrica de evaluación y casos de fallas del modelo medido antes de informar la precisión o el ahorro de tiempo.
Repositorio de implementación: aún no publicado.
Evidencia y resultados
Lo que demuestra el trabajo
InvestigaciónSentinelForge es una dirección de investigación para la asistencia local de IA con eventos de seguridad. El preprocesamiento Python y la automatización PowerShell siguen planeados.
Eventos de origen
Normalizar la entrada
Asistencia de modelo local
Validación humana
Trabajo documentado
- El estudio de caso define la clasificación de eventos, el resumen de registros y las preguntas de investigación sobre el cronograma de incidentes.
- El flujo de trabajo propuesto preserva los datos de origen y requiere validación humana.
Próxima evidencia a publicar
Publique eventos sintéticos, etiquetas esperadas, una rúbrica de evaluación y casos de fallas del modelo medido antes de informar la precisión o el ahorro de tiempo.
El enlace fuente contiene este estudio de caso publicado, no un repositorio de implementación separado.
descripción general
Por qué lo estoy explorando
Los equipos de seguridad suelen trabajar con grandes volúmenes de información técnica repetitiva. Los registros, las alertas, los cronogramas de eventos, las notas de incidentes y los datos de investigación pueden consumir una cantidad significativa de tiempo de los analistas.
SentinelForge es mi entorno de investigación para explorar dónde la IA podría ayudar a esos flujos de trabajo sin pretender que un modelo de lenguaje pueda reemplazar la evidencia, las herramientas de seguridad o el juicio de los analistas.
El objetivo es identificar patrones útiles, comprender las limitaciones y crear pequeños flujos de trabajo repetibles antes de tratar cualquier cosa como una capacidad de seguridad operativa.
flujo de trabajo
Donde la IA podría ayudar
Normalizar
Convierta las entradas sin procesar a un formato más consistente para que los eventos se puedan comparar, resumir y analizar de manera más efectiva.
Analizar
Utilice la IA local para ayudar con la clasificación, el resumen, la correlación y las preguntas de investigación sin reemplazar la evidencia fuente.
Responder
Utilice resultados estructurados para respaldar la documentación, los cronogramas, la planificación de contención, la comunicación y los flujos de trabajo de respuesta repetibles.
Áreas de investigación
Preguntas antes de la automatización
El primer objetivo es comprender dónde la IA añade asistencia útil y dónde añade ruido, incertidumbre o riesgo innecesario.
Estado actual
SentinelForge es un proyecto de investigación y prototipo. Las capacidades siguientes representan áreas que se están probando o planificando, no controles de seguridad de producción.
Clasificación de eventos
Pruebe si los modelos alojados localmente pueden categorizar eventos de seguridad en grupos útiles para la revisión de los analistas.
resumen de registros
Explore si los registros técnicos extensos se pueden reducir a resúmenes concisos sin perder contexto importante o evidencia fuente.
Soporte de cronograma de incidentes
utilice IA para ayudar a organizar secuencias de eventos, marcas de tiempo, acciones y observaciones en una línea de tiempo de incidentes más legible.
Asistencia en la investigación
Indicaciones de prueba que ayudan a generar preguntas de seguimiento, identificar el contexto faltante y sugerir áreas que un analista podría querer validar.
procesamiento de Python
cree pequeñas utilidades de Python para analizar, normalizar, enriquecer y preparar datos de seguridad estructurados antes del análisis del modelo.
Automatización de PowerShell
Explore la automatización segura para tareas repetibles de administración de seguridad de Windows y Microsoft.
barandillas
La asistencia de IA aún necesita pruebas
El proyecto está diseñado deliberadamente en torno a la asistencia en lugar de la toma de decisiones autónoma.
Validación humana
El resultado del modelo se trata como asistencia que requiere verificación en lugar de evidencia de seguridad autorizada.
Preservar datos de origen
Los registros originales, los eventos y la evidencia técnica permanecen disponibles para que los resúmenes generados por IA siempre puedan cotejarse con la fuente.
Procesamiento local
Los modelos locales proporcionan una forma de experimentar con datos de laboratorio confidenciales sin enviarlos automáticamente a un proveedor externo.
Automatización controlada
Las acciones automatizadas deben seguir siendo limitadas, comprensibles, reversibles y separadas de la toma de decisiones modelo sin restricciones.
"La pregunta útil no es si la IA puede tomar una decisión de seguridad. Es si la IA puede reducir el trabajo repetitivo dejando intactas las pruebas y el juicio".
Preguntas de investigación
Lo que quiero validar
El proyecto es útil sólo si los experimentos producen evidencia sobre dónde ayuda realmente la IA local.
01
¿Qué tareas de seguridad se benefician del resumen sin perder un contexto técnico importante?
02
¿Con qué confiabilidad pueden los modelos locales clasificar eventos de seguridad estructurados?
03
¿Dónde reduce la IA el trabajo repetitivo de los analistas y dónde introduce incertidumbre?
04
¿Cómo deberían estructurarse las indicaciones y los resultados para que los resultados sigan siendo repetibles y revisables?
05
¿Qué datos de seguridad deberían permanecer locales en lugar de enviarse a un proveedor de modelo alojado?
Infraestructura
Construido en mi entorno privado de IA
SentinelForge está conectado intencionalmente a mi proyecto de infraestructura privada de IA en lugar de construirse como un concepto aislado.
El servidor de IA local proporciona el tiempo de ejecución del modelo, la aceleración de GPU, el entorno Docker, el acceso basado en navegador y la conectividad remota privada necesarios para experimentar con flujos de trabajo de seguridad mientras se mantienen los datos seleccionados bajo control local.
Explorar arquitectura y despliegue de LLM locales →Dirección
De la investigación al prototipo
La siguiente etapa es pasar de una experimentación amplia a flujos de trabajo más pequeños que puedan probarse repetidamente con las mismas entradas.
Próximos pasos
01
Definir un formato de entrada de eventos repetible
02
Cree conjuntos de datos de seguridad de muestra para realizar pruebas
03
Compare modelos locales con las mismas indicaciones
04
Prototipo de flujos de trabajo de resumen de registros
05
Crear utilidades de preprocesamiento de Python
06
Explore la automatización segura de PowerShell
07
Limitaciones del modelo de documento y casos de falla.
Más proyectos