使用说明
🧠 人工智能辅助分诊上限——事件响应模拟
作者 MCP医疗分诊助理
分析师： 大卫·巴斯托斯
日期： 2025年10月31日
置信水平： 99%（确认模拟妥协）
📄 报告
🎯 存储库概述
此存储库演示了 模拟数字取证和事件响应 工作流由 人工智能辅助分诊和报告.
该项目以一个虚构的Windows主机为中心， win2.mcp.lab，它经历了多阶段的恶意软件入侵。
它展示了如何 LLM和自动化分析工具 可以增强事件期间的检测、调查和执行报告。
提供了公开版本和完整版本的执行摘要，格式为GitHub、Discord和PDF导出。
⚠️ 教育免责声明
此存储库是 网络安全顶点演习.
所有系统、数据、指标和网络活动都是 虚构的 并且仅用于培训目的。
不包括真实世界的恶意软件、基础设施或敏感信息。
📁 文件夹映射
探索该项目的结构和支撑材料。
每个部分都扩展了 人工智能辅助分诊和事件响应 工作流程。
| 文件夹 | 描述 |
|---|---|
| 📄 报告/ | 包含在结束演讲期间生成的所有格式化的执行摘要和PDF格式的报告。 |
| 🧭 docs/ | 调查记录、分流流程图、提示日志和方法文档。 |
| 💾 人工制品/ | 模拟法医文物、IOC样本和哈希值，供教育参考。 |
| 🖼️ 图片/ | 用于说明调查阶段的视觉效果、图表和故事板面板。 |
🧠 此存储库中的所有内容都是虚构的，仅用于教育演示目的。
🧩 关于Capstone
该顶点将宿主分诊技术与 人工智能辅助分析和报告 使用模拟的折衷方案。
目的是测试分析师的以下能力：
- 识别持久性机制
- 检测恶意进程活动
- 识别基于网络的妥协指标
- 将调查结果总结成执行报告
- 应用 快速工程技术 加强人工智能辅助调查
奖金： 使用结构化推理和自动摘要识别其他工件、混淆方法和指标。
🤖 这如何模拟人工智能辅助的红外工作流程
该项目展示了现代LLM和DFIR工具如何 医疗MCP 可以：
- 分析分诊数据并发现相关异常。
- 自动生成Markdown/PDF格式的执行摘要。
- 使用上下文感知推理建议遏制和补救步骤。
- 提供利益相关者准备好的简洁专业的沟通模板。
通过这个工作流程，分析师学会了整合 人工智能增强的人类判断 --提高整个事件响应生命周期的效率、一致性和沟通。
🧾 许可和使用
此存储库是为 仅用于教育和投资组合目的.
您可以自由地分叉、研究或调整此结构，以用于您自己的DFIR学习和AI实验。
🧾 存储库文件指南
此存储库包含多个版本的报告，可用于教育和专业目的。
| 文件 | 目的 | 受众 | 备注 |
|---|---|---|---|
Executive_Summary_GitHub_Final.md |
公共安全执行摘要及编辑后的指标 | 概述/投资组合 | GitHub上显示的主文件 |
Executive_Summary_Light_Unredacted.md |
具有技术深度的教育性完整报告 | Capstone/Mentors | Safe for GitHub，包含完整分析 |
Executive_Summary_PDF_Formatted.md |
用于PDF导出的打印就绪正式报告布局 | 讲师/雇主 | 针对PDF格式和演示进行了优化 |
所有内容都是 模拟教育演习.
没有真实世界的数据、系统或恶意软件。
“人工智能并不能取代分析师——它放大了他们的洞察力。”
