संग्रह करें
प्रासंगिक सुरक्षा घटनाओं, लॉग, अलर्ट या संरचित डेटा को समीक्षा के लिए दोहराए जाने योग्य वर्कफ़्लो में लाएँ।
← प्रोजेक्ट्स पर वापस जाएँ
सुरक्षा संचालन अनुसंधान
SentinelForge
AI-सहायता प्राप्त सुरक्षा संचालन
एक शोध परियोजना जो यह खोजती है कि कैसे स्थानीय रूप से नियंत्रित एआई घटना वर्गीकरण, लॉग सारांश, घटना-प्रतिक्रिया वर्कफ़्लो और नियंत्रित स्वचालन के माध्यम से सुरक्षा संचालन में सहायता कर सकता है।
सुरक्षा संचालनस्थानीय एआईलॉग विश्लेषणघटना प्रतिक्रियास्वचालनPythonPowerShellशोध
परियोजना एक नज़र में
शोध- उद्देश्य
- यह पता लगाना कि कैसे स्थानीय एआई लॉग का विश्लेषण करके, घटनाओं का सारांश देकर, घटनाओं को वर्गीकृत करके और प्रतिक्रिया वर्कफ़्लो में सहायता करके सुरक्षा संचालन का समर्थन कर सकता है।
- मेरी भूमिका
- स्वतंत्र लैब अनुसंधान, डिज़ाइन और दस्तावेज़ीकरण।
- कार्यान्वयन की स्थिति
- SentinelForge सुरक्षा घटनाओं में स्थानीय एआई सहायता के लिए एक शोध दिशा है। Python प्रीप्रोसेसिंग और PowerShell स्वचालन की योजना बनी हुई है।
- अगला पड़ाव
- सटीकता या समय की बचत की रिपोर्ट करने से पहले सिंथेटिक इवेंट फिक्स्चर, अपेक्षित लेबल, एक मूल्यांकन रूब्रिक और मापा मॉडल विफलता मामलों को प्रकाशित करें।
कार्यान्वयन रिपॉज़िटरी: अभी प्रकाशित नहीं हुई है।
साक्ष्य एवं परिणाम
कार्य क्या प्रदर्शित करता है
शोधSentinelForge सुरक्षा घटनाओं में स्थानीय एआई सहायता के लिए एक शोध दिशा है। Python प्रीप्रोसेसिंग और PowerShell स्वचालन की योजना बनी हुई है।
स्रोत घटनाएँ
इनपुट को सामान्य करें
स्थानीय मॉडल सहायता
मानव सत्यापन
दस्तावेज़ीकृत कार्य
- केस अध्ययन घटना वर्गीकरण, लॉग सारांश और घटना-समयरेखा अनुसंधान प्रश्नों को परिभाषित करता है।
- प्रस्तावित वर्कफ़्लो स्रोत डेटा को संरक्षित करता है और मानव सत्यापन की आवश्यकता है।
प्रकाशित करने के लिए अगला साक्ष्य
सटीकता या समय की बचत की रिपोर्ट करने से पहले सिंथेटिक इवेंट फिक्स्चर, अपेक्षित लेबल, एक मूल्यांकन रूब्रिक और मापा मॉडल विफलता मामलों को प्रकाशित करें।
स्रोत लिंक में यह प्रकाशित केस स्टडी शामिल है, कोई अलग कार्यान्वयन भंडार नहीं।
सिंहावलोकन
मैं इसकी खोज क्यों कर रहा हूं
सुरक्षा टीमें अक्सर बड़ी मात्रा में दोहराई जाने वाली, तकनीकी जानकारी के साथ काम करती हैं। लॉग, अलर्ट, इवेंट टाइमलाइन, घटना नोट्स और जांच डेटा महत्वपूर्ण विश्लेषक समय का उपभोग कर सकते हैं।
SentinelForge यह पता लगाने के लिए मेरा शोध वातावरण है कि एआई उन वर्कफ़्लो में सहायता कर सकता है बिना यह दिखावा किए कि एक भाषा मॉडल साक्ष्य, सुरक्षा टूलींग या विश्लेषक निर्णय को प्रतिस्थापित कर सकता है।
लक्ष्य किसी भी चीज़ को परिचालन सुरक्षा क्षमता के रूप में मानने से पहले उपयोगी पैटर्न की पहचान करना, सीमाओं को समझना और छोटे दोहराए जाने योग्य वर्कफ़्लो का निर्माण करना है।
वर्कफ़्लो
जहां एआई सहायता कर सकता है
सामान्यीकरण
कच्चे इनपुट को अधिक सुसंगत प्रारूप में परिवर्तित करें ताकि घटनाओं की तुलना, सारांश और अधिक प्रभावी ढंग से विश्लेषण किया जा सके।
विश्लेषण करें
स्रोत साक्ष्य को प्रतिस्थापित किए बिना वर्गीकरण, सारांश, सहसंबंध और खोजी प्रश्नों में सहायता के लिए स्थानीय एआई का उपयोग करें।
उत्तर दें
दस्तावेज़ीकरण, समयसीमा, रोकथाम योजना, संचार और दोहराने योग्य प्रतिक्रिया वर्कफ़्लो का समर्थन करने के लिए संरचित आउटपुट का उपयोग करें।
अनुसंधान क्षेत्र
स्वचालन से पहले प्रश्न
पहला लक्ष्य यह समझना है कि एआई कहाँ उपयोगी सहायता जोड़ता है और कहाँ यह शोर, अनिश्चितता या अनावश्यक जोखिम जोड़ता है।
वर्तमान स्थिति
SentinelForge एक अनुसंधान और प्रोटोटाइप परियोजना है। नीचे दी गई क्षमताएँ परीक्षण किए जा रहे या नियोजित क्षेत्रों का प्रतिनिधित्व करती हैं, न कि उत्पादन सुरक्षा नियंत्रणों का।
घटना वर्गीकरण
परीक्षण करें कि क्या स्थानीय रूप से होस्ट किए गए मॉडल विश्लेषक समीक्षा के लिए सुरक्षा घटनाओं को उपयोगी बकेट में वर्गीकृत कर सकते हैं।
लॉग सारांश
पता लगाएं कि क्या महत्वपूर्ण संदर्भ या स्रोत साक्ष्य खोए बिना लंबे तकनीकी लॉग को संक्षिप्त सारांश में कम किया जा सकता है।
घटना समयरेखा समर्थन
घटनाओं, टाइमस्टैम्प, कार्यों और अवलोकनों के अनुक्रमों को अधिक पठनीय घटना समयरेखा में व्यवस्थित करने में सहायता के लिए एआई का उपयोग करें।
जांच सहायता
परीक्षण संकेत जो अनुवर्ती प्रश्न उत्पन्न करने, लापता संदर्भ की पहचान करने और उन क्षेत्रों का सुझाव देने में मदद करते हैं जिन्हें एक विश्लेषक सत्यापित करना चाहता है।
Python प्रसंस्करण
मॉडल विश्लेषण से पहले संरचित सुरक्षा डेटा को पार्स करने, सामान्य बनाने, समृद्ध करने और तैयार करने के लिए छोटी Python उपयोगिताओं का निर्माण करें।
PowerShell स्वचालन
दोहराए जाने योग्य विंडोज़ और माइक्रोसॉफ्ट सुरक्षा प्रशासन कार्यों के लिए सुरक्षित स्वचालन का अन्वेषण करें।
रेलिंग
एआई सहायता को अभी भी साक्ष्य की आवश्यकता है
परियोजना को स्वायत्त निर्णय लेने के बजाय जानबूझकर सहायता के लिए डिज़ाइन किया गया है।
मानव सत्यापन
मॉडल आउटपुट को सहायता के रूप में माना जाता है जिसके लिए आधिकारिक सुरक्षा साक्ष्य के बजाय सत्यापन की आवश्यकता होती है।
स्रोत डेटा सुरक्षित रखें
मूल लॉग, ईवेंट और तकनीकी साक्ष्य उपलब्ध रहते हैं ताकि एआई-जनरेटेड सारांश को हमेशा स्रोत के विरुद्ध जांचा जा सके।
स्थानीय प्रसंस्करण
स्थानीय मॉडल संवेदनशील प्रयोगशाला डेटा को किसी बाहरी प्रदाता को स्वचालित रूप से भेजे बिना उसके साथ प्रयोग करने का एक तरीका प्रदान करते हैं।
नियंत्रित स्वचालन
स्वचालित कार्रवाइयां संकीर्ण, समझने योग्य, प्रतिवर्ती और अप्रतिबंधित मॉडल निर्णय लेने से अलग रहनी चाहिए।
"उपयोगी प्रश्न यह नहीं है कि क्या एआई सुरक्षा संबंधी निर्णय ले सकता है। यह वह जगह है जहां एआई साक्ष्य और निर्णय को बरकरार रखते हुए दोहराए जाने वाले काम को कम कर सकता है।"
शोध प्रश्न
मैं क्या सत्यापित करना चाहता हूं
परियोजना तभी उपयोगी है जब प्रयोग इस बात का सबूत देते हैं कि स्थानीय एआई वास्तव में कहाँ मदद करता है।
01
महत्वपूर्ण तकनीकी संदर्भ खोए बिना सारांशीकरण से कौन से सुरक्षा कार्य लाभान्वित होते हैं?
02
स्थानीय मॉडल संरचित सुरक्षा घटनाओं को कितने विश्वसनीय रूप से वर्गीकृत कर सकते हैं?
03
एआई दोहराव वाले विश्लेषक कार्य को कहां कम करता है, और यह अनिश्चितता कहां लाता है?
04
संकेतों और आउटपुट को कैसे संरचित किया जाना चाहिए ताकि परिणाम दोहराए जाने योग्य और समीक्षा योग्य बने रहें?
05
होस्ट किए गए मॉडल प्रदाता को भेजे जाने के बजाय कौन सा सुरक्षा डेटा स्थानीय रहना चाहिए?
इन्फ्रास्ट्रक्चर
मेरे निजी एआई पर्यावरण पर निर्मित
SentinelForge एक अलग अवधारणा के रूप में निर्मित होने के बजाय जानबूझकर मेरे निजी एआई इन्फ्रास्ट्रक्चर प्रोजेक्ट से जुड़ा है।
स्थानीय एआई सर्वर चयनित डेटा को स्थानीय नियंत्रण में रखते हुए सुरक्षा वर्कफ़्लो के साथ प्रयोग करने के लिए आवश्यक मॉडल रनटाइम, जीपीयू त्वरण, Docker वातावरण, ब्राउज़र-आधारित पहुंच और निजी रिमोट कनेक्टिविटी प्रदान करता है।
स्थानीय LLM आर्किटेक्चर और परिनियोजन देखें →दिशा
अनुसंधान से प्रोटोटाइप तक
अगला चरण व्यापक प्रयोग से छोटे वर्कफ़्लो में आगे बढ़ना है जिसे एक ही इनपुट के विरुद्ध बार-बार परीक्षण किया जा सकता है।
अगले चरण
01
एक दोहराए जाने योग्य ईवेंट-इनपुट प्रारूप को परिभाषित करें
02
परीक्षण के लिए नमूना सुरक्षा डेटासेट बनाएं
03
समान संकेतों में स्थानीय मॉडलों की तुलना करें
04
प्रोटोटाइप लॉग-सारांश वर्कफ़्लोज़
05
Python प्रीप्रोसेसिंग उपयोगिताएँ बनाएँ
06
सुरक्षित PowerShell स्वचालन का अन्वेषण करें
07
दस्तावेज़ मॉडल की सीमाएँ और विफलता के मामले
अधिक परियोजनाएँ