Drana-Infinity：让每个安全研究员都拥有"AI副手"

一款专为零日猎手打造的安全研究AI平台

想象一下：你在挖某个众测项目，资产梳理要做子域名枚举、端口扫描、WAF检测、目录爆破……每一步都要在多个工具之间来回切换、复制粘贴输出结果、还要记住那些复杂的命令行参数。有没有一种工具，能把这些都串联起来，还能用自然语言和你对话，让机器帮你自动执行命令、分析结果？

Drana-Infinity 正是为解决这一痛点而生的。它由独立安全研究员 IHA089 开发，是一个本地托管的 AI 助手，专门面向网络安全、道德黑客和漏洞赏金猎手。它不是通用聊天机器人，而是一个会主动执行命令、调用工具、分析结果的安全研究工作台。

技术架构：Flask + Socket.IO 的实时交互框架

Drana-Infinity 的核心是一个基于 Flask 的 Web 应用，配合 Flask-SocketIO 实现实时双向通信。服务端使用 gevent/eventlet 作为异步引擎，能够在单线程中处理大量并发连接而无需多线程开销。

整体代码约 55KB 的主文件 drana_infinity.py 承载了全部核心逻辑，采用分层模块化设计：

• drana_infinity.py：应用入口、路由定义、Socket.IO 事件处理、命令执行引擎
• drana_backend.py：SQLite 数据库管理，存储用户、项目、聊天记录、流量数据
• drana_prompt.py：提示词工程逻辑，构造 AI 对话上下文
• proxy_engine.py：HTTP 拦截代理引擎（基于 mitmproxy）
• proxy_crawler.py：自动化代理爬虫
• rag_backend.py：RAG（检索增强生成）后端，基于 ChromaDB 实现本地向量检索
• js_recon.py：JavaScript 敏感信息提取模块
• setup_browser.py：自动下载并配置 Chrome/ChromeDriver 环境
• tool_info.json：内置安全工具清单（nmap、httpx、amass、subfinder、ffuf 等 30+ 工具）

数据库使用 SQLite，包含 6 张核心表：users（用户）、projects（项目）、interceptor_projects（拦截项目）、traffic（流量记录）、chats（对话）、messages（消息）、command_outputs（命令输出）。通过 SQLite 的外键约束保证了数据完整性。

核心功能：从信息收集到 AI 对话的全链路自动化

Drana-Infinity 的工作流可以概括为以下几个核心场景：

1. Recon 自动化（信息收集）

内置的 CommandExecutor 类封装了 shell 命令执行逻辑，并内置错误签名识别（如 "QUITTING!"、"Error:"、"failed to initialize"、"command not found"），自动判断命令是否成功。用户无需手动检查每个工具的返回码，AI 会自动汇总分析所有输出。

2. AI 对话 + 工具调用

用户可以在 Web UI 中用自然语言下达指令，例如"帮我扫描这个域名的所有子域名"。Drana-Infinity 会调用 assetfinder、subfinder、amass 等工具，并将结果喂给本地 LLM（支持 Ollama）进行汇总分析。通过 RAG 模块，还能引用本地知识库（如历史 recon 报告、安全文档）增强回答质量。

3. HTTP 拦截引擎（Drana Interceptor）

内置的 mitmproxy 代理引擎可以在后台运行，捕获并记录所有 HTTP(S) 流量。用户将浏览器代理指向 Drana-Infinity 后，所有请求/响应都会被 SQLite 记录下来，供后续 AI 分析。proxy_crawler.py 还支持自动化爬取指定目标。

4. JavaScript 敏感信息提取

js_recon.py 专门负责从页面 JS 文件中提取端点、API key 模式、TODO 注释、硬编码凭证等敏感信息。这是许多安全测试中容易被忽略但又极为关键的步骤。

5. 多模型支持

通过 get_model.py 动态加载 LLM，默认支持 Ollama（本地模型如 llama3）。也支持接入 OpenAI 等商业 API 作为备选。用户可根据硬件条件选择合适的模型，数据始终留存在本地。

技术亮点：RAG + 向量检索的本地知识增强

ChromaDB 集成的 RAG 模块是 Drana-Infinity 的核心技术亮点之一。当用户的提问涉及历史项目或特定领域知识时，系统会先在本地向量数据库中检索相关上下文，再交给 LLM 生成答案。这意味着即使用户没有联网，也能基于本地积累的 recon 数据和安全文档获得高质量回答。

所有聊天记录和命令输出都持久化到 SQLite，项目之间完全隔离，支持多用户（通过 user_hash 匿名标识）。

上手体验：开箱即用，但有一定门槛

优点：

• 完全本地运行，数据不外传，隐私性极佳
• Web UI 友好，交互直观，无需记忆复杂命令行
• 自动配置 Chrome 环境，降低了浏览器自动化的门槛
• 内置 30+ 常用安全工具的配置检测，覆盖信息收集全流程

局限：

• 无 Docker 支持，无法在容器中快速部署
• 对 Windows 用户不友好，主要面向 Linux/macOS
• LLM 质量依赖本地模型性能，若使用 llama3 等小模型，回答深度有限
• 部分功能（如 mitmproxy 拦截）需要一定安全知识才能用好
• 默认 SECRET_KEY 为硬编码字符串，生产环境使用存在安全风险

安全伦理视角：争议与边界

值得注意的是，Drana-Infinity 的 GitHub topics 包含 "wormgpt"——这是一个以恶意用途著称的开源 AI 项目标签。这意味着 Drana-Infinity 的设计初衷并非完全"白帽"。作者在描述中强调"道德黑客"和"漏洞赏金"，但在当前开源社区的语境下，这类工具的边界往往较为模糊。使用者应始终确保行为在法律和道德框架内。

行业意义：AI + 安全工具链的深度融合趋势

Drana-Infinity 代表了一个正在兴起的方向：用 LLM 将碎片化的安全工具串联成统一的智能工作流。类似的项目（如 Ghost autofill、AutoRecon 的 AI 增强版）都在探索这一路径。随着开源 LLM 本地部署成本持续下降，这类工具的普及门槛会越来越低。

总结：Drana-Infinity 是一个面向安全研究人员的本地 AI 工作台，核心价值在于将多种安全工具的命令执行、结果分析、流量拦截、数据检索整合到一个 Flask + Socket.IO 的实时交互界面中，并借助本地 RAG 实现知识增强。它适合有一定技术背景的安全研究员或漏洞赏金猎人，而非普通用户。由于缺乏 Docker 支持，部署需要一定手动配置能力。