Загрузить файлы в «/»

Dockerfile

@@ -0,0 +1,22 @@
+FROM python:3.10-slim
+
+# Устанавливаем зависимости для scapy (libpcap)
+RUN apt-get update && apt-get install -y \
+    libpcap-dev \
+    gcc \
+    && rm -rf /var/lib/apt/lists/*
+
+WORKDIR /app
+
+# Копируем и устанавливаем зависимости
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+# Копируем исходный код
+COPY src/ ./src/
+
+# Открываем порт для netcat (хотя мы будем использовать stdin через docker exec)
+EXPOSE 1234
+
+# Запуск анализатора
+ENTRYPOINT ["python", "src/main.py"]

README.md

@@ -0,0 +1,64 @@
+# Wi-Fi Traffic Analyzer
+
+## Описание
+Приложение для анализа трафика Wi-Fi с использованием машинного обучения и векторных баз данных. Проект позволяет обнаруживать аномалии и потенциальные уязвимости в беспроводных сетях.
+
+## Состав
+- `src/parser.py` - Парсинг пакетов Wi-Fi
+- `src/embedder.py` - Генерация векторных представлений с использованием Ollama
+- `src/vector_store.py` - Хранение и поиск векторов в Qdrant
+- `src/ai_analyser.py` - Анализ аномалий с помощью AI
+- `src/main.py` - Основной модуль анализа
+
+## Особенности
+- Анализ трафика в реальном времени
+- Обнаружение аномалий с использованием векторных баз данных
+- Интеграция с Ollama для генерации векторных представлений
+- Интеграция с Qdrant для хранения и поиска векторов
+- Поддержка переменных окружения для конфигурации внешних сервисов
+
+## Запуск
+1. Установите Docker и Docker Compose
+2. Настройте переменные окружения в `docker-compose.yml`:
+   - `QDRANT_HOST` - IP-адрес вашего Qdrant
+   - `QDRANT_PORT` - Порт Qdrant (по умолчанию 6333)
+   - `OLLAMA_URL` - URL сервиса Ollama (по умолчанию http://localhost:11434)
+3. Запустите контейнер:
+   ```bash
+   docker-compose up -d
+   ```
+
+4. Для отправки трафика с устройства Ubiquiti:
+   ```bash
+   tcpdump -i ath0 -y ieee802_11_radio -w - | nc 127.0.0.1 9999
+   ```
+
+5. Для просмотра логов:
+   ```bash
+   docker logs -f analyzer
+   ```
+
+6. Для остановки контейнера:
+   ```bash
+   docker-compose down
+   ```
+
+## Настройка переменных окружения
+Все переменные окружения можно настроить в `docker-compose.yml`:
+- `QDRANT_HOST` - IP-адрес сервера Qdrant
+- `QDRANT_PORT` - Порт сервера Qdrant
+- `OLLAMA_URL` - URL сервиса Ollama для генерации эмбеддингов
+
+## Требования
+- Docker и Docker Compose
+- Система с поддержкой контейнеров
+- Подключение к Qdrant и Ollama сервисам
+
+## Поддерживаемые атаки
+- Deauthentication Flood (уязвимость 802.11w)
+- Rogue AP / Evil Twin (несоответствие RSSI/MAC)
+- WPA Handshake sniffing (EAPOL flow)
+- WPS Pixie Dust / Brute Force
+
+## Лицензия
+MIT

docker-compose.yml

@@ -0,0 +1,14 @@
+version: '3.8'
+
+services:
+  analyzer:
+    build: .
+    ports:
+      - "9999:9999"  # Порт для приема дампа трафика
+    environment:
+      - QDRANT_HOST=192.168.1.70 # Укажите IP вашего внешнего Qdrant
+      - QDRANT_PORT=6333
+      - OLLAMA_URL=http://192.168.1.70:11434
+    extra_hosts:
+      - "host.docker.internal:host-gateway"
+    restart: unless-stopped

requirements.txt

@@ -0,0 +1,4 @@
+scapy==2.5.0
+qdrant-client==1.7.0
+requests==2.31.0
+numpy

vector_store.py

@@ -0,0 +1,36 @@
+import os
+from qdrant_client import QdrantClient
+from qdrant_client.models import Distance, VectorParams, PointStruct
+
+class VectorDB:
+    def __init__(self, collection_name="wifi_lab", vector_size=4096):
+        host = os.getenv("QDRANT_HOST", "localhost")
+        port = int(os.getenv("QDRANT_PORT", 6333))
+        self.client = QdrantClient(host=host, port=port)
+        self.collection_name = collection_name
+        
+        # Создаем коллекцию, если её нет (размерность 4096 для Qwen 8B Embedding)
+        self.client.recreate_collection(
+            collection_name=self.collection_name,
+            vectors_config=VectorParams(size=vector_size, distance=Distance.COSINE),
+        )
+
+    def add_packet(self, pkt_id, vector, metadata, text):
+        self.client.upsert(
+            collection_name=self.collection_name,
+            points=[
+                PointStruct(
+                    id=pkt_id,
+                    vector=vector,
+                    payload={"metadata": metadata, "text": text}
+                )
+            ]
+        )
+
+    def find_similar(self, vector):
+        return self.client.search(
+            collection_name=self.collection_name,
+            query_vector=vector,
+            limit=3,
+            with_payload=True
+        )