Tie MCP Server

TIE MCP服务器

🎯 概述

TIE MCP服务器根据观察到的攻击行为，为网络安全专业人员和研究人员提供基于人工智能的MITRE ATT&CK技术预测。基于模型上下文协议，它与人工智能助手和安全工具无缝集成，以增强威胁分析和事件响应能力。

🔄 MCP的工作原理-架构和流程

模型上下文协议（MCP）通过标准化协议实现了人工智能助手（如克劳德）和专用工具之间的无缝通信。以下是TIE MCP服务器的操作方式：

MCP通信流程

graph TB
    subgraph "Client Side"
        A[AI Assistant/Claude]
        B[MCP Client]
    end
    
    subgraph "MCP Server"
        C[TIE MCP Server]
        D[Tool Registry]
        E[Resource Manager]
        F[Request Handler]
    end
    
    subgraph "Core Components"
        G[TIE Engine Manager]
        H[ML Models
WALS/BPR/MF]
        I[ATT&CK Data Store]
        J[Prediction Engine]
    end
    
    A -->|User Query| B
    B -->|JSON-RPC Request| C
    C --> F
    F -->|Route Request| D
    F -->|Access Data| E
    
    D -->|predict_techniques| G
    D -->|get_attack_techniques| I
    D -->|list_models| H
    
    G --> H
    G --> J
    J -->|Predictions| G
    G -->|Response| F
    
    I -->|Technique Data| F
    H -->|Model Info| F
    
    F -->|JSON-RPC Response| C
    C -->|Formatted Result| B
    B -->|Display to User| A
    
    style A fill:#f9f,stroke:#333,stroke-width:4px
    style C fill:#bbf,stroke:#333,stroke-width:4px
    style G fill:#bfb,stroke:#333,stroke-width:4px

工具执行顺序

sequenceDiagram
    participant User
    participant Claude
    participant MCP_Client
    participant TIE_Server
    participant TIE_Engine
    participant ML_Models
    
    User->>Claude: "Predict next techniques after T1059, T1055"
    Claude->>MCP_Client: Parse request
    MCP_Client->>TIE_Server: tools/predict_techniques
    
    TIE_Server->>TIE_Server: Validate input
    TIE_Server->>TIE_Engine: Load technique vectors
    TIE_Engine->>ML_Models: Get model (WALS/BPR)
    ML_Models->>ML_Models: Compute embeddings
    
    ML_Models->>TIE_Engine: Return predictions
    TIE_Engine->>TIE_Engine: Rank & filter
    TIE_Engine->>TIE_Server: Formatted results
    
    TIE_Server->>MCP_Client: JSON-RPC response
    MCP_Client->>Claude: Structured data
    Claude->>User: Natural language response
    
    Note over User,ML_Models: Total execution time:  Processing
    Processing --> Response

MCP实现的关键特征

1. 无状态设计：每个请求都是独立的，确保可靠性
2. 架构验证：根据定义的模式验证所有输入/输出
3. 错误处理：优雅的降级，并显示详细的错误消息
4. 性能监控：延迟和吞吐量的内置指标
5. 安全第一：输入净化、速率限制和访问控制

主要特点

• 🔮 智能技术预测：先进的机器学习模型预测攻击链中可能的下一步技术
• 🧠 多算法支持：WALS、BPR、矩阵分解等
• 📊 实时推理：操作使用的亚秒级预测延迟
• 🔄 模型再培训：使用新的CTI数据进行动态再培训
• 🛡️ 安全第一设计：本地执行，无数据泄露
• 🔌 MCP集成：与Claude和其他AI助手无缝集成

📋 先决条件

安装前，请确保：

• Python 3.10或更高版本 (下载Python)
• Git 用于存储库管理
• 8GB+内存 建议用于模型操作
• 基本了解 MITRE ATT&CK框架

系统要求

🚀 安装

方法1：从GitHub直接安装

# Clone the repository
git clone https://github.com/Nidhi2302/TIE-mcp-server.git
cd TIE-mcp-server

# Create and activate virtual environment
python -m venv venv

# On Windows
venv\Scripts\activate

# On macOS/Linux
source venv/bin/activate

# Install the package
pip install -e .

方法二：用诗（推荐发展）

# Clone the repository
git clone https://github.com/Nidhi2302/TIE-mcp-server.git
cd TIE-mcp-server

# Install Poetry if not already installed
pip install poetry

# Install dependencies
poetry install

# Activate the virtual environment
poetry shell

方法三：Docker安装

# Clone the repository
git clone https://github.com/Nidhi2302/TIE-mcp-server.git
cd TIE-mcp-server

# Build and run with Docker Compose
docker-compose up -d

⚙️ 配置

MCP客户端配置

通过将服务器添加到配置文件中来配置MCP客户端（例如Claude Desktop）：

Claude桌面配置：

1. 找到您的配置文件：

- 视窗: %APPDATA%\Claude\claude_desktop_config.json - macOS: ~/Library/Application Support/Claude/claude_desktop_config.json - Linux: ~/.config/Claude/claude_desktop_config.json

1. 添加TIE MCP服务器：

{
  "mcpServers": {
    "tie-mcp-server": {
      "command": "python",
      "args": ["-m", "tie_mcp.server"],
      "cwd": "/path/to/your/tie-mcp-server"
    }
  }
}

1. 复制示例配置：

# Copy and customize configuration examples
cp claude_desktop_config.example.json claude_desktop_config.json
cp mcp_config.example.json mcp_config.json

环境配置

创建一个 .env 自定义配置文件：

# Basic Configuration
ENVIRONMENT=development
LOG_LEVEL=INFO
DEBUG=true

# Data Paths (optional - defaults provided)
ENTERPRISE_ATTACK_FILEPATH=data/datasets/stix/enterprise-attack.json
DEFAULT_DATASET_FILEPATH=data/datasets/combined_dataset_full_frequency.json

# Model Settings
MODEL_DEFAULT_MODEL_TYPE=wals
MODEL_DEFAULT_EMBEDDING_DIMENSION=4
MODEL_VALIDATION_RATIO=0.1
MODEL_TEST_RATIO=0.2

📖 使用示例

基础技术预测

询问Claude（或您的MCP客户）：

Can you predict what ATT&CK techniques might be used next if an attacker has already used:
- T1059 (Command and Scripting Interpreter)
- T1055 (Process Injection)

预期响应格式：

{
  "predicted_techniques": [
    {
      "technique_id": "T1105",
      "technique_name": "Ingress Tool Transfer",
      "score": 0.85,
      "in_training_data": true
    },
    {
      "technique_id": "T1053",
      "technique_name": "Scheduled Task/Job",
      "score": 0.72,
      "in_training_data": true
    }
  ],
  "input_techniques": ["T1059", "T1055"],
  "model_id": "default",
  "prediction_method": "dot",
  "execution_time_seconds": 0.1
}

自定义参数的高级用法

Predict the top 10 techniques using cosine similarity for techniques T1566.001 and T1204.002

获取ATT&CK技术信息

What techniques are related to "command execution" in the MITRE ATT&CK framework?

模型管理

List all available trained models with their performance metrics

🛠️ API文档

可用的MCP工具

predict_techniques

根据观察到的技术预测MITRE ATT&CK技术。

参数：

• techniques （必填）：技术ID数组（例如，\[“T1059”、“T1055”\]）
• model_id （可选）：用于预测的特定模型
• top_k （可选，默认值：20）：要返回的预测数（1-100）
• prediction_method （可选，默认：“点”）：使用方法（“点”或“余弦”）

get_attack_techniques

获取有关MITRE ATT&CK技术的信息。

参数：

• technique_ids （可选）：要检索的特定技术ID数组
• search_term （可选）：搜索词过滤技术
• tactic （可选）：按特定策略过滤

list_models

列出所有可用的训练模型。

参数：

• include_metrics （可选，默认值：true）：包括性能指标

MCP通信协议

TIE MCP服务器使用以下消息类型实现标准MCP协议：

请求消息结构

{
  "jsonrpc": "2.0",
  "method": "tools/predict_techniques",
  "params": {
    "techniques": ["T1059", "T1055"],
    "top_k": 10,
    "model_id": "default"
  },
  "id": "req-001"
}

响应消息结构

{
  "jsonrpc": "2.0",
  "result": {
    "predicted_techniques": [...],
    "model_used": "wals_v1",
    "execution_time": 0.087
  },
  "id": "req-001"
}

错误响应结构

{
  "jsonrpc": "2.0",
  "error": {
    "code": -32602,
    "message": "Invalid params",
    "data": {
      "details": "technique_id T9999 not found"
    }
  },
  "id": "req-001"
}

可用MCP资源

• models:// -访问经过训练的模型信息
• datasets:// -访问可用数据集
• attack://techniques -MITRE ATT&CK技术数据
• metrics://system -系统性能指标

🔧 开发设置

当地发展环境

# Clone and setup
git clone https://github.com/your-username/tie-mcp-server.git
cd TIE-mcp-server

# Install in development mode
pip install -e ".[dev]"

# Setup pre-commit hooks
pre-commit install

# Run tests
pytest

# Run with coverage
pytest --cov=tie_mcp --cov-report=html

# Format code
black src/ tests/
ruff check src/ tests/ --fix

# Type checking
mypy src/

项目结构

tie-mcp-server/
├── src/tie_mcp/           # Main application code
│   ├── server.py          # MCP server implementation
│   ├── core/             # Core TIE functionality
│   │   ├── engine_manager.py    # High-level engine interface
│   │   └── tie/          # TIE algorithm implementations
│   ├── config/           # Configuration management
│   ├── models/           # Model management
│   ├── storage/          # Data storage interfaces
│   └── utils/            # Utility functions
├── tests/                # Test suite
│   ├── unit/             # Unit tests
│   └── performance/      # Performance tests
├── data/                 # Data files (gitignored)
├── docker/               # Docker configuration
├── examples/             # Example notebooks
└── .github/              # GitHub workflows

🔍 故障排除

常见问题

1.导入错误

# Error: ModuleNotFoundError: No module named 'tie_mcp'
# Solution: Install in editable mode
pip install -e .

2.权限错误

# Error: PermissionError when starting server
# Solution: Check file permissions and virtual environment
chmod +x venv/bin/python  # On Unix systems

3.内存问题

# Error: Out of memory during model operations
# Solution: Increase system RAM or reduce model parameters
export OMP_NUM_THREADS=1  # Limit OpenMP threads

4.MCP连接问题

# Error: Server not responding
# Solutions:
# 1. Check server logs
python -m tie_mcp.server --debug

# 2. Verify configuration paths
# 3. Test server standalone
python -c "from tie_mcp.server import TIEServer; print('OK')"

5.模型加载错误

# Error: Model files not found
# Solution: Check data paths in configuration
ls -la data/datasets/

调试模式

启用详细日志记录：

# Set environment variable
export LOG_LEVEL=DEBUG

# Or run with debug flag
python -m tie_mcp.server --debug

性能优化

为了获得更好的性能：

# Set thread limits
export OMP_NUM_THREADS=4
export MKL_NUM_THREADS=4

# Use system BLAS
pip install numpy[blas]

获取帮助

• GitHub问题: 报告错误或请求功能
• 文档：检查内联代码文档
• 日志：查看服务器日志以获取详细的错误信息

🤝 贡献

我们欢迎捐款！请查看我们的 贡献指南 了解详情。

贡献者快速入门

1. 分叉存储库
2. 创建要素分支： git checkout -b feature/amazing-feature
3. 进行更改并添加测试
4. 运行测试套件： pytest
5. 提交您的更改： git commit -m 'Add amazing feature'
6. 推你的叉子： git push origin feature/amazing-feature
7. 提交拉取请求

代码质量标准

• 测试：保持>80%的测试覆盖率
• 类型提示：所有函数都必须有类型注释
• 文档：为公共函数添加文档字符串
• 格式化：使用黑色和Ruff进行代码格式化
• 承诺：关注 常规承诺

🔒 安全

安全最佳实践

• 仅限本地执行：默认情况下没有网络暴露
• STDIO通信：安全的进程间通信
• 无数据持久性：无状态运营模式
• 输入验证：所有输入都经过验证和消毒

报告安全问题

请通过电子邮件私下报告安全漏洞 security@example.com.

📊 演出

基准结果

优化提示

• 首次运行：初始模型加载可能需要更长的时间
• 记忆：将模型保存在内存中以获得最佳性能
• 并发：服务器处理多个并发请求
• 缓存：ATT&CK技术信息已缓存

📜 许可证

此项目根据Apache许可证2.0获得许可-请参阅 许可证 文件以获取详细信息。

第三方许可证

• MITRE ATT&CK：用于 MITRE许可证
• 模型上下文协议：MIT许可证
• Python依赖关系：各种开源许可证（见要求）

🙏 致谢

• MITRE公司 用于原始TIE项目和ATT&CK框架
• 威胁知情防御中心 用于威胁情报研究
• 模型上下文协议团队 对于MCP规范
• 开源社区 对于令人惊叹的Python ML生态系统

📈 更新日志

看 更改日志.md 查看更改和发布的详细历史记录。

🔗 相关项目

• 人字结：原始技术推理引擎
• MCP规范：模型上下文协议文档
• MITRE ATT&CK：MITRE ATT&CK框架

______________________________________________________________________

由以下材料制成❤️ 网络安全社区

如有疑问、问题或意见，请访问我们的 .