Собрать
Объедините соответствующие события безопасности, журналы, оповещения или структурированные данные в повторяемый рабочий процесс для анализа.
← Назад к Проекты
Исследование операций безопасности
SentinelForge
Операции безопасности с помощью ИИ
Исследовательский проект, изучающий, как локально управляемый ИИ может помочь в операциях по обеспечению безопасности посредством классификации событий, обобщения журналов, рабочих процессов реагирования на инциденты и контролируемой автоматизации.
Операции по обеспечению безопасностиМестный ИИАнализ журналаРеагирование на инцидентыАвтоматизацияPythonPowerShellИсследование
Кратко о проекте
Исследование- Цель
- Изучение того, как локальный ИИ может поддерживать операции по обеспечению безопасности, анализируя журналы, суммируя инциденты, классифицируя события и помогая в рабочих процессах реагирования.
- Моя роль
- Самостоятельное исследование, проектирование и документирование лаборатории.
- Состояние реализации
- SentinelForge — это исследовательское направление по оказанию помощи локальному ИИ в событиях безопасности. Предварительная обработка Python и автоматизация PowerShell остаются запланированными.
- Следующий этап
- Публикуйте синтетические данные о событиях, ожидаемые метки, критерии оценки и измеренные случаи сбоев модели, прежде чем сообщать о точности или экономии времени.
Репозиторий реализации: ещё не опубликован.
Доказательства и результаты
Что демонстрирует работа
ИсследованиеSentinelForge — это исследовательское направление по оказанию помощи локальному ИИ в событиях безопасности. Предварительная обработка Python и автоматизация PowerShell остаются запланированными.
Исходные события
Нормализовать ввод
Помощь местной модели
Человеческая проверка
Документированная работа
- В тематическом исследовании определяется классификация событий, обобщение журналов и вопросы исследования временной шкалы инцидентов.
- Предлагаемый рабочий процесс сохраняет исходные данные и требует проверки человеком.
Следующее доказательство для публикации
Публикуйте синтетические данные о событиях, ожидаемые метки, критерии оценки и измеренные случаи сбоев модели, прежде чем сообщать о точности или экономии времени.
Ссылка на источник содержит этот опубликованный практический пример, а не отдельный репозиторий реализации.
Обзор
Почему я это изучаю
Команды безопасности часто работают с большими объемами повторяющейся технической информации. Журналы, оповещения, временные шкалы событий, заметки об инцидентах и данные расследований могут отнимать значительное время аналитиков.
SentinelForge — это моя исследовательская среда для изучения того, как ИИ может помочь в этих рабочих процессах, не притворяясь, что языковая модель может заменить доказательства, инструменты безопасности или суждения аналитиков.
Цель состоит в том, чтобы выявить полезные шаблоны, понять ограничения и построить небольшие повторяемые рабочие процессы, прежде чем рассматривать что-либо как возможность оперативной безопасности.
Рабочий процесс
Где ИИ может помочь
Нормализовать
Преобразуйте необработанные входные данные в более последовательный формат, чтобы события можно было сравнивать, суммировать и анализировать более эффективно.
Анализировать
Используйте местный искусственный интеллект для помощи в классификации, обобщении, корреляции и расследовании вопросов без замены исходных доказательств.
Ответить
Используйте структурированный вывод для поддержки документации, сроков, планирования сдерживания, коммуникации и повторяемых рабочих процессов реагирования.
Области исследований
Вопросы перед автоматизацией
Первая цель — понять, где ИИ добавляет полезную помощь, а где — шум, неопределенность или ненужный риск.
Текущее состояние
SentinelForge — это исследовательский проект и прототип. Приведенные ниже возможности представляют собой тестируемые или планируемые области, а не средства контроля производственной безопасности.
Классификация событий
Проверьте, могут ли локально размещенные модели классифицировать события безопасности по полезным сегментам для анализа аналитиками.
Обобщение журнала
Узнайте, можно ли сократить длинные технические журналы до кратких сводок без потери важного контекста или исходных данных.
Поддержка временной шкалы инцидентов
Используйте ИИ, чтобы организовать последовательность событий, временных меток, действий и наблюдений в более удобочитаемую временную шкалу инцидентов.
Помощь в расследовании
Тестовые подсказки, которые помогают генерировать дополнительные вопросы, определять недостающий контекст и предлагать области, которые аналитик может захотеть проверить.
Обработка Python
Создайте небольшие утилиты Python для анализа, нормализации, обогащения и подготовки структурированных данных безопасности перед анализом модели.
Автоматизация PowerShell
Изучите безопасную автоматизацию для повторяющихся задач администрирования безопасности Windows и Microsoft.
Ограждения
Помощь ИИ все еще нуждается в доказательствах
Проект намеренно ориентирован на помощь, а не на самостоятельное принятие решений.
Человеческая проверка
Выходные данные модели рассматриваются как помощь, требующая проверки, а не как авторитетные доказательства безопасности.
Сохранить исходные данные
Исходные журналы, события и технические доказательства остаются доступными, поэтому сводки, созданные ИИ, всегда можно сверить с источником.
Локальная обработка
Локальные модели позволяют экспериментировать с конфиденциальными лабораторными данными без автоматической отправки их внешнему поставщику.
Контролируемая автоматизация
Автоматизированные действия должны оставаться узкими, понятными, обратимыми и отделенными от неограниченного принятия модельных решений.
«Полезный вопрос не в том, может ли ИИ принимать решения по безопасности. Именно в этом вопросе ИИ может сократить повторяющуюся работу, оставив при этом доказательства и суждения нетронутыми».
Вопросы исследования
Что я хочу подтвердить
Проект будет полезен только в том случае, если эксперименты дадут доказательства того, где действительно помогает местный ИИ.
01
Какие задачи безопасности можно извлечь из обобщения без потери важного технического контекста?
02
Насколько надежно локальные модели могут классифицировать структурированные события безопасности?
03
Где ИИ сокращает повторяющуюся работу аналитика, а где вносит неопределенность?
04
Как следует структурировать подсказки и результаты, чтобы результаты оставались повторяемыми и пригодными для просмотра?
05
Какие данные безопасности должны оставаться локальными, а не отправляться поставщику размещенной модели?
Инфраструктура
Создано на основе моей частной среды искусственного интеллекта
SentinelForge намеренно связан с моим проектом частной инфраструктуры искусственного интеллекта, а не создан как изолированная концепция.
Локальный сервер ИИ обеспечивает среду выполнения модели, ускорение графического процессора, среду Docker, доступ через браузер и частное удаленное подключение, необходимые для экспериментов с рабочими процессами безопасности, сохраняя при этом выбранные данные под локальным контролем.
Архитектура и развертывание локальных LLM →Направление
От исследования к прототипу
Следующий этап — переход от широкого экспериментирования к более мелким рабочим процессам, которые можно многократно тестировать с использованием одних и тех же входных данных.
Следующие шаги
01
Определить повторяемый формат ввода событий.
02
Создайте образцы наборов данных по безопасности для тестирования.
03
Сравните локальные модели по одним и тем же запросам.
04
Прототип рабочих процессов сводки журналов
05
Создание утилит предварительной обработки Python.
06
Изучите безопасную автоматизацию PowerShell
07
Ограничения модели документа и случаи сбоя
Больше проектов