Aller au contenu

Démarrage rapide

Lancez HYDRA × PDX en 15 minutes.

Prérequis

  • Python 3.10+
  • Une clé API Groq (le tier gratuit suffit)
  • Un VPS avec IP publique (pour HYDRA) ou localhost pour les tests
  • GPU avec 8GB+ VRAM (optionnel, pour le fine-tuning uniquement)

1. Cloner le dépôt

git clone https://github.com/grizzly2005/hydra-pdx.git
cd hydra-pdx

2. Installer les dépendances

pip install -r requirements.txt

3. Configurer HYDRA

cd hydra-honeypot
cp .env.example .env

Éditez .env :

GROQ_API_KEY=gsk_votre_cle_ici
SSH_PORT=2222
LOG_DIR=logs

4. Générer les clés SSH

python -c "from src.ssh_server import ensure_ssh_keys; ensure_ssh_keys()"

5. Démarrer HYDRA

python src/main.py

Vous devriez voir :

[HYDRA] SSH honeypot listening on 0.0.0.0:2222
[HYDRA] Groq API connected (llama-3.3-70b)
[HYDRA] 3 personas loaded: fintech_trading, crypto_validator, corp_ad
[HYDRA] PromptGuard active (warn=0.5, block=0.8)

6. Tester

Depuis un autre terminal :

ssh root@localhost -p 2222
# Mot de passe : n'importe quoi (tous les credentials sont acceptés)

Essayez quelques commandes :

uname -a          # Retourne des infos noyau réalistes
ls /root          # Montre les fichiers spécifiques au persona
cat /root/.aws/credentials  # Montre des clés AWS leurres (persona fintech)

7. Traiter les données avec PDX

Après la capture de sessions :

cd ../pdx

# Séparer les événements en défensif + offensif
python -m pdx.training.data_router split

# Générer les datasets d'entraînement
python -m pdx.training.data_router generate --all

# Vérifier les résultats
python -m pdx.training.data_router status

8. Fine-tuner (optionnel)

python training/finetune_pdx.py \
  --dataset training_output/data_router/offensive/sft_attack_chains.jsonl \
  --model qwen \
  --epochs 3 \
  --rank 16

Voir le Guide de fine-tuning pour les options détaillées.

Et ensuite