Setup Drana-Infinity: The Private AI Assistant for Bug Bounty & Pentesting 🔒🤖
三句話摘要
在 Kali Linux 上本地部署 Drana Infinity，打造零資料外洩的滲透測試專用 AI 助手。 把 Ollama 當底層、Drana Infinity 當前端，五個步驟就能在 Kali Linux 上架起一個資料完全不外洩的本地滲透測試 AI，RAM 大小決定模型選擇，流程可完整複現。 隱私是核心痛點：使用 ChatGPT 等雲端 AI 做滲透測試，會把漏洞資訊、客戶資料傳送到第三方伺服器，Drana Infinity 以本地運行解決這個根本問題。
重點整理
重點- 1
隱私是核心痛點：使用 ChatGPT 等雲端 AI 做滲透測試，會把漏洞資訊、客戶資料傳送到第三方伺服器，Drana Infinity 以本地運行解決這個根本問題。
- 2
Ollama 是底層引擎：工具本身並不內建模型，而是透過 Ollama 拉取並運行 LLM，這讓使用者可以根據硬體規格彈性選擇模型大小，不綁定單一版本。
- 3
Python 虛擬環境是必要步驟：安裝過程刻意使用 `venv` 隔離 Python 套件，避免污染系統環境，這是可重現部署的關鍵實踐。
- 4
雙終端架構：`ollama serve` 需要在背景持續運行作為 API 後端，`python3 drena-infinity.py` 則啟動前端 Web 伺服器，兩者分離確保模型載入後推理延遲接近零。
實用技巧與重點
乾貨- GitHub 倉庫：`https://github.com/ist089/drena-infinity`
- 模型對應 RAM：
- 0.5B → 4GB RAM（輕量快速）
- 1.5B → 8GB RAM（均衡首選）
- 3B → 16GB RAM（高精度）
- 7B → 16GB+ RAM + 專用 GPU（深度分析）
- 安裝指令序列：
- ```
- git clone https://github.com/ist089/drena-infinity.git
- cd drena-infinity
- python3 -m venv venv
- source venv/bin/activate
- pip install -r requirements.txt
- ollama pull <model-name>
- ollama serve # 背景終端
- python3 drena-infinity.py
- ```
- 存取網址：`http://localhost:5000`
- 支援平台：Kali Linux、Ubuntu、ParrotOS 等主流 Linux 發行版
結論
結論“把 Ollama 當底層、Drana Infinity 當前端，五個步驟就能在 Kali Linux 上架起一個資料完全不外洩的本地滲透測試 AI，RAM 大小決定模型選擇，流程可完整複現。”
完整解析
詳細雲端 AI 工具在資安社群中有一個難以迴避的矛盾：這些工具越強大，使用者就越傾向把敏感資訊丟進去——漏洞細節、客戶資產清單、滲透測試報告——而這些資料一旦送上公共伺服器，隱私邊界就消失了。Drana Infinity 的設計出發點就是打破這個兩難，讓滲透測試人員和 Bug Bounty 獵人能在不洩露任何資料的前提下使用 AI 輔助分析。
工具的核心架構依賴 Ollama，一個讓使用者在本機執行各種開源 LLM 的後端框架。由於模型完全跑在自己的硬體上，選擇哪個模型就直接取決於 RAM 容量。影片給出了明確的對照表：4GB 選 0.5B、8GB 選 1.5B、16GB 選 3B，擁有 16GB 以上加上獨立 GPU 的使用者則可以解鎖 7B 模型進行最深度的分析。這個分級設計讓不同預算的使用者都能找到對應的切入點。
安裝流程分為五個清楚的階段。首先從 GitHub 克隆倉庫，進入目錄後建立 Python 虛擬環境並啟動，再透過 `pip install -r requirements.txt` 拉取所有 Python 依賴。接著需要獨立安裝 Ollama 並用 `ollama pull` 指令下載對應大小的語言模型，這一步耗時最長，完全取決於網速。最後分兩個終端視窗操作：一個執行 `ollama serve` 讓模型後端保持運行，另一個在 Drana Infinity 的虛擬環境中執行 `python3 drena-infinity.py`，工具啟動後會提供本地 URL（通常是 `localhost:5000`），用瀏覽器開啟即可進入 Web 聊天介面。
由於整個推理鏈路都在本機完成，一旦模型載入完畢，響應延遲幾乎只受 CPU/GPU 運算速度影響，不存在雲端往返的網路延遲，且任何輸入的資料都不會離開本地網路。對於需要處理敏感目標資訊的資安從業人員而言，這兩點合在一起構成了實際可用的隱私保障。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
