MCP

AiSOC: Einstiegsleitfaden für das Open-Source-AI-Security-Operations-Center zum Selbsthosten

AiSOC eignet sich am besten für Sicherheitsteams oder Einzelpersonen, die ein AI-Security-Operations-Center selbst hosten und Bedrohungen mit nachvollziehbaren AI-Agenten untersuchen möchten. Die wichtigste Voraussetzung vor dem Start: Die Docker-VM benötigt 8 GB RAM und 20 GB Speicher (dazu python3 3.9+ und bash), und der erste Lauf lädt etwa 2 GB Modelle in ein Volume herunter, das nur mit make clean gelöscht werden kann.

Official source · GitHub - beenuar/AiSOC

Install

git clone https://github.com/beenuar/AiSOC && cd AiSOC
make up

Für wen geeignet

  • Für Sicherheitsteams oder einzelne Forscher, die ein AI-Security-Operations-Center (SOC) lokal oder auf eigenen Servern betreiben möchten: AiSOC ist ein Open-Source-Projekt zur Selbsthosting, das Sicherheits-Telemetriedaten aufnehmen, Bedrohungen erkennen und korrelieren, Untersuchungen mit AI-Agenten und nachvollziehbaren Reasoning-Prozessen durchführen und Reaktionsmaßnahmen vorschlagen, die von Menschen genehmigt werden müssen.
  • Für Nutzer, die ohne Cloud-API-Keys auskommen möchten: Laut offizieller Angabe lässt es sich auch ohne API-Key betreiben.
  • Für Nutzer von Clients wie Claude, Cursor oder Continue, die es über MCP anbinden möchten.

Nicht geeignet, wenn:

  • keine Docker-Umgebung vorhanden ist, die die Ressourcenanforderungen erfüllt (siehe Voraussetzungen unten) – dann lässt sich die Installation nicht abschließen.
  • die Belege nicht zeigen, ob es sich als produktionsreifer SOC-Ersatz eignet und welche konkreten Telemetriedatenquellen-Formate unterstützt werden. Das ist unbekannt und sollte vor der Entscheidung im Repository selbst überprüft werden.

Erster Versuch in 3 Minuten

Der empfohlene Hauptweg ist der offizielle Quick start: Repository klonen und mit make starten.

Voraussetzungen:

  • Docker Compose v2, mit 8 GB RAM und 20 GB freiem Speicherplatz in der Docker-VM.
  • python3 (3.9 oder höher) und bash.
  • Wenn unklar ist, ob die Umgebung die Anforderungen erfüllt, zuerst das offiziell bereitgestellte make doctor ausführen – es prüft alle genannten Anforderungen.

Installation und Start (offizielle Befehle im Original):

git clone https://github.com/beenuar/AiSOC && cd AiSOC
make up

Beim ersten Lauf werden etwa 2 GB Modelle heruntergeladen und in einem Volume gespeichert, das nur mit make clean gelöscht wird – ein Nebeneffekt, den man vor dem Start kennen sollte.

Erfolgssignal: Nach dem lokalen Start der Dienste können Sie über die Weboberfläche oder die MCP-Schnittstelle damit interagieren. Die Belege nennen keine konkreten Oberflächenschritte oder Standard-Adresse nach dem ersten Start; hierfür gelten die weiteren Angaben im README des Repositorys.

Risikoarmer erster Versuch: Die Belege listen weder konkrete MCP-Toolnamen noch deren Lese-/Schreibeigenschaften, daher lässt sich kein bestimmtes „Nur-Lese-Tool“ als erster Aufruf empfehlen. Solange die Nebeneffekte der Tools nicht bestätigt sind, empfiehlt es sich, zunächst nur darstellende Funktionen wie die Oberfläche und das Decision Ledger (Entscheidungsprotokoll) anzusehen und keine Reaktionsmaßnahmen direkt auszuführen.

Anwendungsfälle

Fall 1: Erst Umgebungscheck, dann Start. Szenario: Sie sind unsicher, ob die Ressourcen Ihrer Docker-VM ausreichen. Vorgehen: Nach dem Klonen des Repositorys zuerst make doctor ausführen; es prüft einzeln Docker Compose v2, 8 GB RAM, 20 GB Speicher, python3 3.9+ und bash. Erwartbares Ergebnis: Nach bestandener Prüfung make up ausführen und so vermeiden, dass der erste Lauf wegen unzureichender Ressourcen mittendrin scheitert.

Fall 2: AiSOC über MCP in Claude, Cursor oder Continue einbinden. Szenario: Sie möchten in diesen Clients direkt die Erkennungsergebnisse oder Untersuchungsergebnisse von AiSOC abfragen. Vorgehen: Laut offizieller Projektangabe ist ein MCP-Server für Claude, Cursor und Continue integriert; die konkreten Konfigurationsfelder und Verbindungsschritte in jedem Client werden in den Belegen nicht wörtlich angegeben – maßgeblich sind die entsprechenden MCP-Konfigurationshinweise im Repository. Bestätigbare Grenze: Bestätigt ist, dass ein MCP-Server für diese Clients bereitgestellt wird; die nach der ersten Verbindung verfügbare Tool-Liste, Parameter und Ausgabeformate sind nicht durch die Belege abgedeckt und sollten nicht angenommen werden.

Nutzungsgrenzen

  • Lese-/Schreibverhalten: Es nimmt Sicherheits-Telemetriedaten auf und erkennt Bedrohungen; die AI-Agenten führen Untersuchungen durch und „schlagen“ Reaktionen vor, die Reaktionen werden aber von Menschen genehmigt – d. h. Schreiboperationen haben einen Bestätigungspunkt. Die Belege sagen nicht, welche MCP-Tools nur lesend sind und welche tatsächliche Aktionen auslösen.
  • Lokale Daten und Speicher-Nebeneffekte: Der erste Lauf lädt etwa 2 GB Modelle in ein Volume, das nur mit make clean gelöscht werden kann; das belegt realen Speicherplatz, und das Löschen selbst entfernt auch den Inhalt dieses Volumes.
  • Zugangsdaten: Laut offizieller Angabe läuft es ohne API-Key; weitere Anforderungen an Zugangsdaten werden nicht genannt.
  • Klare Einschränkungen: Docker Compose v2 erforderlich (8 GB RAM / 20 GB Speicher), python3 3.9+, bash.
  • Noch unbestätigt: konkrete MCP-Tool-Liste, Nur-Lese-Eigenschaften der einzelnen Tools, Standard-Zugriffsport, unterstützte Telemetriequellen-Typen sowie Upgrade- und Deinstallationsprozess – die offizielle Seite nennt dazu in den vorliegenden Belegen nichts; vor der Nutzung sollte das aktuelle README im Repository gelesen werden.