使用说明
Wazuh AI Security Ops Dashboard
An Intelligent SIEM Interface powered by Generative AI (Llama-3) & Wazuh API
結合生成式 AI 與資安監控，實現自動化威脅獵捕與戰情分析。
專案簡介
本專案實作了一個標準化的 Wazuh MCP Server (Model Context Protocol)。
將 Wazuh SIEM 複雜的 API 封裝為 AI 模型可理解的 工具 與 資源，透過此伺服器，大型語言模型 (如 Llama-3) 可以直接與 Wazuh Manager 進行互動，自主執行查詢 Agent 狀態、撈取 Log、分析威脅警報等操作。
專案內含一個 Streamlit 戰情儀表板 作為 MCP Client 的參考實作，展示如何利用 AI Agent 進行全自動化的資安維運。
核心功能
- **即時戰情儀表板 **
- 可視化呈現系統監控覆蓋率。
- 即時統計活躍主機與離線主機數量。
- 威脅獵捕
- 自動對接 Wazuh API，擷取 MITRE ATT&CK 框架下的高風險警報。
- 偵測異常程序與未授權的網路連接埠。
- AI 資安智囊
- 利用 LLM 自動分析 JSON 格式的原始日誌。
- 生成全中文的風險評估報告與防禦建議。
- 企業級整合
- 支援 Wazuh Token 自動化認證管理。
- 相容於Self-signed Cert的內部環境。
技術架構
- Frontend: Streamlit
- Backend: Wazuh API (v4.x)
- Protocol: Model Context Protocol (MCP)
- Language: Python 3.11+
- AI Engine: NVIDIA NIM (Llama-3.1-70b-instruct)
- Environment: Docker / VirtualBox (Ubuntu Server & Windows Agent)
快速開始
1. 安裝
您可以選擇直接安裝套件，或是使用 requirements.txt 安裝：
方法一：使用 requirements.txt
pip install -r requirements.txt
方法二：手動安裝所有套件
pip install streamlit requests python-dotenv langchain-openai langchain-community
2. 環境設定
本專案已附帶一個 .env 範本檔案（內容為 ******），請在專案根目錄確認 .env 檔案存在，並將其中的內容修改為您真實的 NVIDIA API Key：
請將下方的星號替換為您的真實 Key，例如: nvapi-xxxxx... NVIDIA_API_KEY="nvapi-********************************"，另外Wazuh 連線資訊與帳號密碼已內建於 app.py 中，請將****改成自己的帳密
3. 啟動系統
在Terminal 或 PowerShell 輸入以下指令啟動：
python -m streamlit run app.py
4. 系統截圖
截圖一：
功能說明： 此畫面展示了系統的即時監控覆蓋率(戰情儀表板)、活躍主機數量，以及偵測到的威脅戰術統計，下方可看到 JSON 原始資料結構欄。
截圖二：
功能說明： 此畫面展示 JSON 原始資料結構欄內的內容
截圖三：
功能說明： 此畫面展示了 AI 扮演資安長 (CISO) 角色，針對當前警報數據所生成的全中文風險評估報告與防禦建議。
