AiSOC: открытый AI-центр безопасности с LLM-агентами

«Телеметрия прибывает из ваших инструментов безопасности — AI-агент расследует её, а человек одобряет ответ»

Что такое AiSOC и для кого он?

AiSOC — это open-source AI Security Operations Center: платформа с фьюжном алертов, LLM-агентным триажем, расследованием по MITRE ATT&CK и воспроизводимым журналом решений для каждого шага агента. Проект полностью самохостируемый и работает без сторонних API-ключей.

Система принимает вашу телеметрию безопасности, обнаруживает и коррелирует угрозы, расследует их с помощью AI-агентов, чьи рассуждения полностью аудируемы, и предлагает ответные действия, которые человек должен одобрить.

Кому подойдёт:

• Командам SOC малого и среднего бизнеса, ищущим альтернативу дорогим SIEM/SOAR-решениям
• Detection Engineers и Blue Team, которые хотят автоматизировать рутинный триаж
• DevSecOps-командам для интеграции в CI/CD-пайплайны
• Исследователям и стартапам, которым нужна production-ready база без лицензионных затрат

Ключевые возможности

1. Конвейер инжеста и детектирования

AiSOC нормализует входящие данные, прогоняет их через 2535 исполняемых правил из библиотеки в 7015 правил, группирует сработавшие в инциденты, расследует каждый с помощью AI-агента — каждый промпт и вызов инструмента записывается, — и предлагает действие.

2. Фьюжн алертов и корреляция

Фьюжн-сервис запускает правила детектирования, применяет тюнинг конкретного тенанта (отключения, пороги и подавления), а корреляция группирует связанные алерты. Затем агент расследует ситуацию и записывает рассуждения в Investigation Ledger, после чего может запуститься плейбук.

3. LLM-агентный триаж и Investigation Ledger

Промпты агента, вызовы инструментов и его обоснование логируются пошагово и воспроизводимы. Это означает, что любой аналитик может «перемотать» расследование и понять, почему агент принял то или иное решение.

Когда LLM возвращает результат, не соответствующий схеме, триаж автоматически падает на детерминированный путь — и интерфейс показывает, кто именно ответил. Система никогда не фабрикует вердикт.

4. Коннекторы и интеграции

В AiSOC встроено 87 коннекторов с кликабельной настройкой — Splunk, Sentinel, Elastic, CrowdStrike, Okta, AWS и Kubernetes audit среди тех, что имеют специфичную нормализацию под вендора и документацию по настройке.

Четыре облачных коллектора читают реальные поверхности эмиссии: CloudTrail организации на S3+SQS, подписку GCP Pub/Sub на Cloud Logging sink, захват Azure Event Hubs и слушатель syslog/CEF.

5. Threat Intelligence без API-ключей

Интеграция с реальным каталогом CISA KEV появляется уже через несколько минут после запуска — без API-ключей.

6. Hunt-as-Code и Purple Team

Hunt-as-Code — YAML-гипотезы с тегами MITRE, cron-расписаниями и нотбуком для охоты на угрозы на естественном языке.

Корпус охот охватывает Windows Security и Sysmon, Linux auditd, AWS CloudTrail, GCP audit, Kubernetes audit, Okta и Entra ID, Microsoft 365 и Google Workspace, Snowflake, Salesforce, Slack, Zoom, Confluence, GitHub и многие другие источники.

7. MCP-сервер для Claude, Cursor и Continue

AiSOC поставляет MCP-сервер (services/mcp/), позволяющий аналитикам запрашивать алерты, запускать агентные расследования и воспроизводить каждый шаг агента, не покидая IDE или чат.

8. Трёхмодельный AI и маршрутизация

Система использует три типа AI-моделей: Semantic (граф при инжесте), Behavioral (UEBA, интегрированное в скоринг алертов) и Knowledge (LLM). Агент вызывает реальные инструменты (обогащение IOC, MITRE lookup, граф радиуса взрыва) через LLM tool-calling loop.

Cost-governed LLM routing включает бюджеты на тенанта, автоматический выключатель, телеметрию токенов/стоимости, кэш ответов с контент-адресацией и каскад «сначала дешёвая модель — затем сильная при низкой уверенности».

Архитектура системы

graph TD
    A["Источники данных\nEDR · SIEM · Cloud · Identity · Network"] --> B["Connectors\n87 коннекторов"]
    B --> C["Ingest + Kafka spine\nнормализация · OCSF"]
    C --> D["Fusion Engine\n2535+ исполняемых правил"]
    D --> E["Correlation\nгруппировка в инциденты"]
    E --> F["LLM Agent\nLangGraph + MITRE ATT&CK"]
    F --> G["Investigation Ledger\nаудируемый журнал"]
    G --> H["Human Approval\nодобрение ответа"]
    H --> I["Response Actions\nPlaybook · Live Actions"]
    F --> J["MCP Server\nClaude · Cursor · Continue"]
    D --> K["CISA KEV\nThreat Intelligence"]

Быстрый старт

Для запуска нужен Docker Compose v2 с 8 GB памяти и 20 GB свободного места на диске Docker VM, а также python3 (3.9+) и bash — make doctor проверяет всё это.

# Клонирование и запуск (Linux/macOS)
git clone https://github.com/beenuar/AiSOC && cd AiSOC
make up

# Windows (установит все зависимости автоматически)
iwr -useb https://raw.githubusercontent.com/beenuar/AiSOC/main/install.ps1 | iex

# Демо без Docker (60 секунд)
pip install -e packages/aisoc-sandbox && aisoc-sandbox demo

При первом запуске скачивается ~2 GB языковой модели в именованный volume — повторная загрузка происходит только при make clean.

Тарифы и цены

AiSOC распространяется под лицензией MIT — это значит:

Плюсы и минусы

Сравнение с альтернативами

Сами авторы публикуют сравнительную таблицу в README:

Для сравнения: традиционная инжест-модель Splunk обходится примерно в $1800 в год за ГБ/день, а развёртывание с 100 ГБ/день — около $69 000 в год только за лицензию. Wazuh, как и AiSOC, не имеет лицензионных сборов — вы платите только за инфраструктуру.

Главное отличие AiSOC от Wazuh: Wazuh — это зрелый SIEM/XDR без нативного LLM-агента, тогда как AiSOC строится вокруг аудируемого AI-расследования с человеком в контуре.

Зрелость проекта

Вердикт

AiSOC — пожалуй, самый амбициозный open-source SOC-проект на рынке прямо сейчас.

Проект закрывает редкую нишу: он объединяет классический SIEM-пайплайн с аудируемыми LLM-агентами, поддерживает human-in-the-loop и не требует ни одного платного API-ключа. Investigation Ledger — это не маркетинговый термин, а реальная возможность воспроизвести каждый шаг агента.

Кому подойдёт:

• ✅ SOC-командам, которые хотят автоматизировать триаж без vendor lock-in
• ✅ Detection Engineers, строящим Detection-as-Code пайплайны
• ✅ MSSP и компаниям с требованием полного контроля над данными
• ✅ Стартапам и командам с ограниченным бюджетом на безопасность
• ❌ Организациям без DevOps-экспертизы для поддержки Kafka+ClickHouse+Postgres
• ❌ Командам, которым нужна managed SaaS с гарантированным SLA

Рейтинг: 8.5/10

Снимаем полбалла за сложность инфраструктуры и бету отдельных компонентов, но ставим высокую оценку за уникальный подход к прозрачности AI-агентов и впечатляющее количество готовых коннекторов.

🔗 Ресурсы:

• GitHub: beenuar/AiSOC
• Документация