
این راهنما نحوه استفاده از Agentic AI بهعنوان یک عامل هوشمند خودگردان برای خودکارسازی فرآیندهای شکار تهدید، همبستگی رویدادها و جمعآوری شواهد فنی در بستر Wazuh را تشریح میکند. تمرکز بر مدیریت داراییهای سایبری، سختسازی، لاگگیری و تولید شواهد فنی قابل استناد است.
مرکز عملیات امنیت (SOC) با حجم بالای هشدارها و نیاز به بررسی دستی آنها برای شناسایی تهدیدات مواجه است که این فرآیند بهمرور زمان غیرقابل مدیریت میشود. Agentic AI، بهعنوان یک سیستم هوش مصنوعی خودگردان، میتواند با برنامهریزی، تصمیمگیری و اجرای خودکار وظایف چندمرحلهای، به بهبود کارایی عملیات امنیتی کمک کند. در این راهنما، نحوه راهاندازی و پیکربندی Agentic AI مبتنی بر مدل Qwen3 در کنار Wazuh نسخه 4.14.5 شرح داده شده است تا شکار تهدیدات و تحلیل رویدادها به صورت خودکار انجام شود.
پیشنیازها و سناریوی عملیاتی
برای اجرای این راهکار به یک سرور اوبونتو 24.04 با حداقل 16 گیگابایت رم و 4 هسته پردازنده نیاز است که Wazuh 4.14.5 به همراه اجزای مرکزی (سرور، ایندکسر و داشبورد) روی آن نصب شده باشد. همچنین باید Agentic AI مبتنی بر Ollama و مدل Qwen3 روی همین سرور نصب و پیکربندی شود.
یک نقطه پایانی ویندوز 11 با نصب و ثبتنام عامل Wazuh در سرور نیز برای تست و شبیهسازی رویدادهای امنیتی مورد نیاز است.
Agentic AI به صورت محلی و آفلاین اجرا میشود تا حفظ حریم خصوصی دادههای امنیتی تضمین شود و هیچ دادهای به سرویسهای خارجی ارسال نشود.
مدیریت دسترسی و سختسازی حسابهای AI Agent در Wazuh
برای رعایت اصل حداقل امتیاز، دسترسی AI Agent به دادههای Wazuh محدود به خواندن دادههای تلهمتری است. این شامل دسترسی به متادیتای عاملها (agent:read)، مانیتورینگ یکپارچگی فایلها (syscheck:read) و دادههای موجودی سیستم (syscollector:read) میشود.
ابتدا یک سیاست امنیتی جدید با نام wazuh_agentic_policy ایجاد کنید که فقط این مجوزها را دارد و اجازه دسترسی به همه عاملها را میدهد.
سپس یک نقش (role) با نام wazuh_agentic_role بسازید و این سیاست را به آن اختصاص دهید.
در نهایت یک کاربر جدید با نام wazuh_agentic ایجاد کنید و نقش مذکور را به آن اختصاص دهید. این کاربر برای احراز هویت AI Agent هنگام فراخوانی APIهای Wazuh استفاده خواهد شد.
برای دسترسی به ایندکسر Wazuh جهت جستجوی لاگهای تاریخی، یک کاربر داخلی indexer_agentic و نقش indexer_agentic_role با مجوزهای خواندن ایندکس wazuh-alerts-* تعریف کنید و کاربر را به نقش مربوطه نگاشت دهید.
راهاندازی Agentic AI و مدل Qwen3 روی سرور Wazuh
کد منبع Agentic AI را از مخزن گیتهاب کلون کنید. این کد شامل منطق استدلال، گردشکارهای فراخوانی ابزار و مراحل خودکار است که AI Agent برای رسیدن به اهداف تعریف شده دنبال میکند.
ابزار Ollama را برای اجرای مدلهای زبان بزرگ به صورت محلی نصب کنید و مدل Qwen3 نسخه 8 میلیارد پارامتر را دانلود نمایید. این مدل تعادلی مناسب بین توان پردازشی و دقت است.
پایتون 3 و کتابخانههای مورد نیاز (requests، urllib3، ollama، flask، flask-cors، python-daemon) را نصب کنید.
متغیرهای محیطی شامل نام کاربری و رمز عبور Wazuh و ایندکسر، آدرسهای API و پورت سرویس وب Agentic AI را در فایل .env تعریف و با دسترسی محدود ذخیره کنید.
برای اجرای Agentic AI، اسکریپت app.py را اجرا کنید که یک سرویس وب روی پورت 5000 ایجاد میکند و از طریق مرورگر قابل دسترسی است.
راهاندازی محیط اجرای Agentic AI و مدل Qwen3 به صورت محلی برای خودکارسازی شکار تهدیدات در Wazuh
# git clone https://github.com/octopus237/Agentic-AI.git ~/Agentic-AI
# cd ~/Agentic-AI
# curl -fsSL https://ollama.com/install.sh | sh
# ollama pull qwen3:8b
# apt install python3 python3-pip -y
# pip install requests urllib3 ollama flask flask-cors python-daemon
# echo OLLAMA_MODEL=qwen3:8b >> ~/Agentic-AI/.env
# echo WAZUH_USER=wazuh_agentic >> ~/Agentic-AI/.env
# echo WAZUH_PASS=<WAZUH_AGENTIC_PASSWORD> >> ~/Agentic-AI/.env
# echo WAZUH_HOST=https://127.0.0.1:55000 >> ~/Agentic-AI/.env
# echo INDEXER_HOST=https://127.0.0.1:9200 >> ~/Agentic-AI/.env
# echo INDEXER_USER=indexer_agentic >> ~/Agentic-AI/.env
# echo INDEXER_PASS=<INDEXER_AGENTIC_PASSWORD> >> ~/Agentic-AI/.env
# echo WAZUH_SSL=false >> ~/Agentic-AI/.env
# echo UI_PORT=5000 >> ~/Agentic-AI/.env
# echo UI_HOST=0.0.0.0 >> ~/Agentic-AI/.env
# chmod 600 ~/Agentic-AI/.env
# python3 ~/Agentic-AI/app.py
روش بررسی نتیجه: اجرای اسکریپت app.py باید سرویس وب Agentic AI را روی پورت 5000 راهاندازی کند و با مراجعه به http://<WAZUH_SERVER_IP>:5000 صفحه رابط کاربری نمایان شود.
کاربردهای عملی و گردشکار شکار تهدیدات خودکار
با استفاده از رابط وب Agentic AI میتوانید پرسشهای امنیتی را به صورت طبیعی وارد کنید و AI Agent به صورت خودکار دادههای تلهمتری را از Wazuh جمعآوری، تحلیل و همبستگی میدهد.
مثالهایی از پرسشها شامل بررسی احتمال خروج دادهها در 7 روز گذشته، جستجوی اجرای کد از راه دور در 48 ساعت اخیر، بررسی هشدارهای عامل خاص در بازه زمانی مشخص و همبستگی هشدارهای با شدت بالا در 24 ساعت گذشته است.
نتایج تحلیلها در فایل investigations.json ذخیره میشوند و در بخش گزارشها در رابط کاربری قابل مشاهدهاند.
این فرآیند به طور قابل توجهی زمان تحلیل دستی را کاهش میدهد و امکان بررسی سریعتر و دقیقتر رویدادهای امنیتی را فراهم میکند.
اعتبارسنجی و بررسی صحت عملکرد
برای اعتبارسنجی عملکرد، ابتدا اطمینان حاصل کنید که حسابهای کاربری و نقشها با دسترسی محدود به درستی ایجاد شدهاند و AI Agent میتواند به APIهای Wazuh و ایندکسر متصل شود.
اجرای پرسشهای نمونه در رابط وب باید پاسخهای مرتبط و مستند به دادههای واقعی لاگها ارائه دهد، نه محتوای ساختگی مدل.
بررسی فایل investigations.json و گزارشهای ذخیره شده، صحت و کامل بودن دادههای استخراج شده را تایید میکند.
در صورت بروز خطا، لاگهای سرویس Agentic AI و لاگهای Wazuh را برای رفع مشکلات بررسی کنید.
چکلیست بررسی فنی
- نصب و راهاندازی Wazuh 4.14.5 با اجزای سرور، ایندکسر و داشبورد روی اوبونتو 24.04
- تعریف سیاست، نقش و کاربر محدود برای AI Agent در Wazuh با دسترسی فقط خواندنی
- تعریف کاربر و نقش ایندکسر با مجوز خواندن ایندکس wazuh-alerts-*
- نصب Ollama و مدل Qwen3:8b به صورت محلی روی سرور Wazuh
- کلون کردن مخزن Agentic AI و نصب وابستگیهای پایتون
- تعریف متغیرهای محیطی با اطلاعات کاربری و آدرسهای API در فایل .env
- اجرای اسکریپت app.py و دسترسی به رابط وب Agentic AI از طریق مرورگر
- اجرای پرسشهای نمونه برای شکار تهدیدات و بررسی گزارشهای تولید شده
جمعبندی
ادغام Agentic AI با Wazuh امکان خودکارسازی فرآیندهای پیچیده شکار تهدیدات و تحلیل رویدادهای امنیتی را فراهم میکند و به کاهش بار کاری تیمهای امنیتی کمک میکند. با رعایت اصول حداقل دسترسی و اجرای مدلهای زبان بزرگ به صورت محلی، این راهکار ضمن حفظ حریم خصوصی دادهها، قابلیتهای پیشرفتهای برای همبستگی و تحلیل چندمرحلهای فراهم میآورد. این روش به مدیران امنیت، مدیران سیستم و تیمهای DevSecOps امکان میدهد تا با استفاده از دادههای واقعی و مستند، شواهد فنی قابل اتکا برای ممیزی و پاسخ به حوادث فراهم کنند و وضعیت امنیتی سازمان را بهبود بخشند.
امنیار چطور به اجرای این مسیر کمک میکند؟
امنیار برای تیمهای امنیت، مدیران سیستم و DevSecOps مسیر ثبت دارایی، پیگیری وضعیت سختسازی، نگهداری شواهد فنی و آمادهسازی ممیزی را شفافتر میکند.