CyberGuard：面向老年用户的AI驱动网络安全助手

章节 01

导读 / 主楼：CyberGuard：面向老年用户的AI驱动网络安全助手

原作者与来源

原作者/维护者: anton-171
来源平台: GitHub
原始标题: CyberGuard
原始链接: https://github.com/anton-171/CyberGuard
发布时间: 2026年6月2日

项目概述

CyberGuard是一款专为老年用户和非技术背景人群设计的AI驱动网络安全助手。该项目基于Django框架开发，创新性地集成了Model Context Protocol（MCP）协议，通过GPT-4o大语言模型作为智能代理，协调多个专业安全检测工具，为用户提供直观、易懂的安全分析服务。

在当今数字时代，网络诈骗、钓鱼攻击和深度伪造内容对老年人群构成了严重威胁。CyberGuard的设计理念正是为了解决这一痛点——将复杂的安全检测技术封装在简洁的对话界面背后，让用户只需粘贴可疑内容即可获得专业的安全评估。

核心架构与技术栈

技术选型

CyberGuard采用了现代化的技术栈组合：

后端框架: Django（Python 3.11+）
AI模型: GPT-4o via GitHub Models / Azure Inference
协议标准: Model Context Protocol (MCP)
通信方式: stdio传输的MCP服务器子进程

MCP协议的创新应用

Model Context Protocol是Anthropic推出的开放标准，用于统一AI模型与外部工具的交互方式。CyberGuard充分利用了这一协议的优势：

动态工具发现: AI代理在运行时自动发现MCP服务器提供的工具
函数调用转换: 自动将MCP工具转换为OpenAI函数调用格式
模块化扩展: 新工具的添加仅需在MCP服务器中注册，无需修改核心代码

系统架构流程

用户输入 → Django异步视图 → LLM Agent → GPT-4o
                              ↕ (MCP stdio)
                    MCP Server (mcp_server.py)
                              ↕
    VirusTotal / DNS / WHOIS / Reality Defender

这种架构的优势在于将AI推理与工具执行解耦，既保证了响应的智能化，又确保了检测的专业性。

安全检测工具集

CyberGuard集成了四类核心安全检测工具，覆盖了网络威胁的主要场景：

1. URL信誉扫描（scan_url_reputation）

通过VirusTotal API聚合90多家安全厂商的检测结果，从多维度评估URL的安全性。这种众包式的检测方式大大提高了识别的准确率，避免了单一厂商的误判。

2. 域名DNS检测（scan_domain_dns）

执行DNS A/MX/TXT记录查询，重点检查SPF记录配置。这一功能可以有效识别邮件 spoofing 攻击，帮助用户判断发件人身份的真实性。

3. 钓鱼概率评估（scan_url_phishing）

基于22个特征的KNN机器学习模型，从URL结构、域名年龄、SSL证书状态等多个维度计算钓鱼概率。模型文件（knn_model.pkl和scaler.pkl）可独立更新，支持持续优化。

4. 深度伪造检测（check_deepfake_image）

集成Reality Defender API，对用户上传的图像进行真实性验证。在AI生成内容泛滥的今天，这一功能对于识别虚假新闻和诈骗图片尤为重要。

用户体验设计

无障碍与适老化设计

CyberGuard在UI/UX层面充分考虑了老年用户的需求：

简洁的聊天界面: 模仿日常聊天应用的使用习惯，降低学习成本
** plain-English 输出**: GPT-4o将技术检测结果转化为通俗易懂的自然语言建议
知识中心: 内置教育内容和防诈骗测验，提升用户的安全意识
双因素认证: 通过Mailgun发送6位数字验证码，保护账户安全

访客模式

项目提供了访客模式（Guest Mode）便于快速体验。在生产环境中，开发者可以通过简单的配置切换强制要求用户登录，确保数据安全。

安全考量与改进建议

项目文档坦诚地列出了当前存在的安全问题，这种透明的态度值得肯定：

已知风险

SSRF漏洞: phishing_detection.py直接获取用户提供的URL，可能探测内网IP
重定向未验证: requests.get的allow_redirects=True可能跟随到内网主机
缺乏API限流: /api/analyze/端点没有用户级别的速率限制
硬编码密钥: settings.py中存在硬编码的SECRET_KEY
调试模式: DEBUG = True会在浏览器暴露完整堆栈跟踪

修复建议

在获取URL前验证解析后的IP是否在黑名单中
手动跟随重定向并对每一跳进行IP验证
集成django-ratelimit实现API限流
从.env文件加载SECRET_KEY并在部署前重新生成
生产环境设置DEBUG = False并限制ALLOWED_HOSTS

扩展性与二次开发

CyberGuard的MCP架构为功能扩展提供了极大的便利。开发者只需在mcp_server.py中添加装饰器函数，FastMCP会自动注册新工具，AI代理也会在下次请求时自动发现。

例如，添加邮箱泄露检测功能只需：

@mcp.tool()
def check_email_breach(email_address: str) -> str:
    """
    Check if an email appears in known data breaches.
    Use this whenever the user asks about the safety of an email address.
    """
    # implementation here
    return result

这种零配置的热插拔机制大大降低了维护成本。

部署与使用

环境要求

Python 3.11+
虚拟环境（推荐venv）
API密钥（GitHub Token、VirusTotal、Reality Defender、Mailgun）

快速启动

git clone https://github.com/anton-171/CyberGuard.git
cd cyberguard
python -m venv venv
source venv/bin/activate  # Windows: .\venv\Scripts\Activate
pip install -r requirements.txt
cp .env.example .env
# 编辑.env填入API密钥
python manage.py migrate
python manage.py runserver

Windows用户需注意：asyncio需要Proactor事件循环支持子进程，manage.py中已自动处理。

项目意义与启示

CyberGuard代表了AI安全应用的一个重要方向——技术普惠。它将原本需要专业知识才能使用的安全工具，通过大语言模型的自然语言理解和MCP协议的统一接口，转化为普通用户也能轻松使用的服务。

对于开发者而言，该项目展示了MCP协议在实际应用中的价值，为构建AI代理生态系统提供了参考实现。对于社会而言，这类工具的普及有助于缩小数字鸿沟，保护弱势群体免受网络犯罪的侵害。

在AI技术飞速发展的今天，CyberGuard提醒我们：技术的终极价值不在于其复杂性，而在于它能为多少人解决实际问题。