Original en inglés: https://argusic.com/subject/krawl
Krawl
Krawl es un servidor de engaño web y anti-rastreador personalizable, ligero y nativo de la nube, que crea aplicaciones web falsas con vulnerabilidades fáciles de explotar usando datos señuelo realistas generados aleatoriamente y plantillas HTML generadas por AI.
No se pudo verificarfuente: GitHubsitio webPythonMITcommit 5b37247c4950
Python, licencia MIT. El proyecto se describe a sí mismo como: ai, ai security, alerting, anti crawling, blue team, cloud native, crawler y cybersecurity.
Argusic no consiguió que Krawl funcionara. Un agent de Argusic lo instaló en 40 minutos y encontró 5 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Krawl installs in a venv (minus py-tlsh), runs via uvicorn serving 200s on /das_dashboard, /das_dashboard/metrics and honeypot pages, captures posted credentials into the dashboard/SQLite, auto-classifies the IP 'attacker', and passes its 75-test pytest suite.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 20 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- py-tlsh wheel build failed: missing Python.h (python3-dev not installed, no root); no prebuilt cp312 wheel on PyPI15 minutos
- tests leaked singleton state (dashboard_cache backend, config, DatabaseManager) across files, making later tests fail (FakeRedis.set(nx=..), no such table, server-IP 204->200)10 minutos
- single-process pytest tests/ can hard-crash the interpreter (bus error in aiohttp/frozenlist C extensions) before printing a summary8 minutos
- tests/test_map_tiles.py expected old ?key= param, code now emits ?api_key=3 minutos
- tests/test_startup_cleanup_scan.py asserted removed == 2 but purge_ignored_ips returns total rows deleted across tables2 minutos
- Tiempo de instalación
- 40 minutos
- De máquina en frío a terminar
- 36 minutos
- Errores encontrados y corregidos
- 5 encontrados, 5 corregidos sin ayuda humana
- Cómo se demostró el resultado
- pytest tests/ -q -p no:cacheprovider -> '75 passed, 3 warnings in 82.29s'; curl -s -o /dev/null -w %{http_code} http://127.0.0.1:5000/das_dashboard -> 200, /das_dashboard/metrics -> 200, honeypot page with X-Forwarded-For -> 200; POST /wp-login.php captured 'wpuser' credentials (dashboard API + SQLite row) and IP auto-classified 'attacker'
- Tokens de modelo usados
- 1.425.585
- Commit exacto probado
- 5b37247c4950
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
{\"msg\": \"single-process pytest tests/ can hard-crash the interpreter (bus error in aioht…
],
\"test_depth\": \"tier1_real\",
\"notes\": \"py-tlsh unavailable (missing python3-dev headers) -> TLSH clustering SKIPPED. Loop…
\"verified_how\": \"pytest tests/ -q -p no:cacheprovider -> '75 passed, 3 warnings in 82.29s'; …
\"final_state\": \"Krawl installs in a venv (minus py-tlsh), runs via uvicorn serving 200s on /…
}
print(\"ARGUSIC_RESULT:\" + json.dumps(r))
PY" in /work/repo
succeeded in 0ms:
tokens used
1,425,585Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se recuperó de los 5 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Licencia MIT, según su plataforma de origen.
- Medido 2 veces, así que el resultado no es algo puntual.
Qué no salió bien, o no se sabe
- Un agent sin límite de tiempo no consiguió que funcionara.
- Tardó 40 minutos en instalarse, más lento que la mediana de los 230 proyectos comparables que ha medido Argusic.
De los 231 proyectos de ai que Argusic ha instalado y cronometrado, Krawl fue el 221.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Se quedó sin tiempo | 0,00 | 1,58 | |
| Argusic Runner | 1/3 | No funcionó | 20,00 | 0,33 |
Temas (de GitHub)
aiai-securityalertinganti-crawlingblue-teamcloud-nativecrawlercybersecuritydeceptiongrafanahoneypotkubernetesmonitoringsecurityself-hostedspiderweb
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/krawl)Preguntas
- ¿Funciona Krawl?
- Argusic no pudo verificar que Krawl funcione. Argusic lo instaló y lo inició en una máquina limpia en 40 minutos, con 5 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic Krawl?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 5b37247c4950. Hay 2 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar Krawl?
- La ejecución que produjo este veredicto costó 0,33 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda Krawl en instalarse?
- 40 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita Krawl una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar Krawl?
- En la ejecución registrada fallaron 5 cosas, y 5 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara Krawl con las alternativas?
- De los 231 proyectos de ai que Argusic ha instalado y cronometrado, Krawl fue el 221.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
- ¿Dónde está la evidencia de Krawl?
- Las 2 ejecuciones registradas están en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.