CopoHub Trending

beenuar/AiSOC

Open-source AI Security Operations Center: alert fusion, LLM-agent triage, MITRE ATT&CK investigation, and a replayable decision ledger for every agent step. Self-hostable, runs with no API keys, MIT licensed. Ships an MCP server for Claude, Cursor and Continue.

Python · ★ 6,503 · Fork 665 · 在 GitHub 查看

在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→

GitHub Trending 上榜记录

beenuar/AiSOC 已在 GitHub Trending 每日榜单上榜 2 天,最高排名第 10,首次上榜 2026-11-01,最近一次上榜 2026-11-02。

日期排名Star当日增长
2026-11-02#106,503+446
2026-11-01#106,181+436

同期上榜的项目

AiSOC 项目深度剖析与商业评估报告

AiSOC 项目深度剖析与商业评估报告

1. 核心定位与商业落地价值

AiSOC 并非传统意义上的“又一个开源 SIEM(安全信息和事件管理)系统”,而是一个主打数据主权、AI 驱动与决策白盒化的新一代安全运营中心(SOC)中枢。其核心解决的行业痛点是传统 SOC 面临的“告警疲劳(Alert Fatigue)”以及现有 SaaS 化 AI 安全产品的“黑盒决策”与“数据隐私”问题。

商业落地场景: 1. 高合规要求企业的私有化 SOC:金融、政府及军工等对数据出境、API 密钥托管有极严限制的行业。AiSOC 默认通过本地化部署运行大模型(Ollama + Llama3.2),实现了真正的“无 API Key”离线断网运行,完美契合数据主权合规要求。 2. MSSP(托管安全服务提供商)的降本增效引擎:通过引入自带白标(White-label)功能的自动化分诊与关联分析引擎,MSSP 能够大幅降低 L1/L2 级安全分析师的人力成本。 3. 安全研判的“灰度”过渡层:许多企业对“全自动 AI 响应”持怀疑态度。AiSOC 采用了严格的“Human-in-the-loop(人机协同)”模式,AI 仅作调查研判,所有 Playbook 的最终响应动作必须经由权限隔离的人工审批,为企业引入 AI 提供了安全的缓冲带。

竞品差异化与护城河: 相比于依靠提示词工程的轻量级 Agent 项目,AiSOC 的护城河在于其极端的审计透明度(Investigation Ledger)。大模型的每一次 Prompt、工具调用、Token 消耗均被持久化,并可导出为符合 OCSF 1.9.0 标准的带签名证据包。这种级别的可追溯性使其具备了直接走向企业级生产的潜力,而非仅仅是一个极客玩具。

2. 核心架构设计与技术深度

AiSOC 在架构设计上展现了成熟的大型分布式系统演进思维,其模块拆解和技术选型严格遵循了“读写分离、状态解耦、高吞吐低延迟”的原则。

核心技术栈与模块解构: 1. 数据总线与背压机制(Kafka 事件脊髓): 采用 Kafka 作为核心事件脊梁(Event Spine)。从 S3 SQS、GCP Pub/Sub 等四类云原生采集器接入的数据,在经过标准化(Activity Projection)后打入 Kafka。这种设计不仅解耦了接入层与检测层,且其 API 层面实现了受限轮询与游标控制(Resumable Cursor),在面对恶意流量洪峰时能在采集端形成天然的背压(Backpressure),防止 SOC 后端被击穿。 2. 多模态异构存储矩阵: PostgreSQL:作为状态存储与控制面,承担多租户隔离(通过严格的 RLS 行级安全控制)、配置管理(引擎阈值、抑制规则)及审批工作流状态的持久化。 ClickHouse(事件湖):支撑历史数据的全量存储与高速检索(Hunting)。在加载新威胁情报(如 CISA KEV)时,可基于 ClickHouse 执行高并发的“回溯狩猎(Retro-hunts)”,而不影响实时流处理。 Neo4j(实体图谱):用于复杂安全事件的爆炸半径分析和上下文关联(Entity Graph),弥补了关系型和列式数据库在多跳关系查询上的性能短板。 3. Agent 编排与模型网关: 底层利用 LangGraph(基于 Topic 标签推断)或类似的图状态机框架进行 Agent 工作流编排。架构中内嵌了 LLM 网关,隔离了底层模型差异(本地 Llama3.2 或云端大模型)。所有模型工具调用(Tool Calls)均被强制要求参数化,严禁模型直接拼接 SQL,从架构底层斩断了 Prompt Injection 导致的数据泄漏风险。

查看完整 AI 分析 →

在 README 中展示上榜徽章

GitHub Trending

[![GitHub Trending](https://github.fq6825.top/badge/beenuar/AiSOC.svg)](https://github.fq6825.top/repo/beenuar/AiSOC)