🦈 SharpShark — Sistema de Análise de Tráfego e Segurança de Rede

📘 Descrição Geral

O SharpShark é um sistema de análise de tráfego e segurança de rede projetado para automatizar a análise forense de arquivos de captura de pacotes (.pcapng).

O projeto nasceu da necessidade de acelerar a triagem de incidentes e reduzir a dependência de análises manuais complexas, típicas do uso de ferramentas como o Wireshark.

O sistema implementa uma pipeline de processamento automatizada, composta por módulos de ingestão, análise, detecção e visualização, tornando a identificação de padrões maliciosos e anomalias acessível mesmo para analistas menos experientes.

---

🎯 Objetivo do Projeto

Objetivo Geral

Desenvolver uma plataforma modular e extensível para análise automatizada de tráfego de rede (.pcapng), capaz de identificar, correlacionar e reportar atividades suspeitas e anomalias estatísticas por meio de um motor de detecção heurístico.

Objetivos Específicos

• Processar arquivos .pcapng e reconstruir fluxos de comunicação TCP.
• Gerar estatísticas de IPs, portas e protocolos mais utilizados.
• Detectar automaticamente padrões de ataques como Brute Force e assinaturas customizadas (ex: SQLi, XSS).
• Armazenar resultados em banco de dados SQLite.
• Controlar o acesso ao sistema através de autenticação de usuários (JWT).
• Exibir alertas e relatórios interativos via dashboard web (frontend React).

---

🧩 Arquitetura da Solução

O SharpShark segue uma arquitetura de microsserviços containerizada, orquestrada pelo Docker Compose, composta por dois componentes principais:

🔹 Backend (Python + FastAPI)

Responsável pela ingestão, parsing, análise, autenticação e persistência dos dados.

• Ingestão: Monitora uma “Hot Folder” (definida pelo usuário) com o módulo Watchdog e processa automaticamente novos arquivos .pcapng.
• Análise: Utiliza PyShark (TShark) para ler os pacotes e um motor de regras customizado para detecção.
• Armazenamento: Utiliza SQLAlchemy e SQLite para armazenar análises, alertas, usuários e regras.
• API: Expõe endpoints RESTful com FastAPI para o frontend.
• Segurança: Gerencia usuários e autenticação via token JWT.

Principais Módulos (Corrigido):

• services/analysis.py: Coração da análise. Faz o parsing dos pacotes, reconstrói streams e aplica o motor de regras.
• services/ingestor.py: Gerencia o Watchdog, monitora a "Hot Folder" e dispara novas análises.
• services/auth.py: Cuida da lógica de login e geração de token.
• app/cli.py: Script de linha de comando para criar o primeiro administrador.

---

🔹 Frontend (React + TypeScript + Nginx)

Interface web moderna e responsiva que atua como o client do sistema, servida por um container Nginx.

• Interatividade: Consome a API REST do backend para exibir e gerenciar dados.
• Visualização: Apresenta estatísticas, alertas e status com Recharts e componentes shadcn/ui.
• Roteamento: O Nginx atua como reverse proxy, direcionando chamadas de API (ex: /api/files) para o container backend e servindo o React para todas as outras requisições.

Principais Componentes (Corrigido):

• pages/Dashboard.tsx: Página principal com abas que agregam todos os módulos (Análises, Arquivos, Usuários, Regras, etc.).
• pages/AnalysisDetails.tsx: Visão detalhada de uma análise, mostrando estatísticas, IPs e alertas.
• components/dashboard/UploadArea.tsx: Componente para upload manual de arquivos .pcapng.
• components/dashboard/UsersManagement.tsx: CRUD completo para gerenciamento de usuários.
• components/dashboard/CustomRules.tsx: CRUD completo para gerenciamento de regras de detecção.

---

⚡ Como Executar o Projeto (Corrigido)

O projeto é 100% containerizado com Docker.
A instalação é universal e não requer Python, npm ou venv instalados na máquina host.

🔧 Pré-requisitos:

• Git
• Docker Desktop (ou Docker + Docker Compose)

1. Clone o Repositório

git clone https://github.com/MateuzCabral/SharpShark-Monorepo.git
cd SharpShark-Monorepo

2. Suba os Containers

Este é o comando principal. Ele irá:

• Construir a imagem do backend, instalando TShark e todas as dependências Python.
• Construir a imagem do frontend, compilando o React e configurando o Nginx.
• Iniciar os containers.

O script de inicialização do backend criará automaticamente o .env (se não existir), gerará uma SECRET_KEY segura e inicializará o banco de dados.

docker-compose up -d --build

(Aguarde o build terminar. O primeiro pode demorar alguns minutos.)

3. Crie seu Usuário Administrador

Com os containers rodando, execute este comando para criar seu primeiro usuário (necessário para login):

docker-compose exec backend python3 -m cli create-admin

Siga as instruções no terminal para definir seu nome e senha.

4. Acesse o Sistema

Pronto!
Abra o navegador e acesse: http://localhost
Use o usuário e senha de administrador criados no passo anterior.

---

📂 Estrutura do Repositório (Monorepo Corrigido)

SharpShark-Monorepo/
│
├── backend/            # Backend FastAPI (API, serviços, etc.)
│   ├── app/            # Código-fonte Python
│   │   ├── services/   # analysis.py, ingestor.py, auth.py, etc.
│   │   ├── api/        # Endpoints (rotas)
│   │   ├── db/         # Modelos SQLAlchemy (models.py)
│   │   ├── core/       # config.py, security.py
│   │   ├── cli.py      # Script para criar admin
│   │   └── main.py     # Ponto de entrada FastAPI
│   ├── Dockerfile      # Receita (Python + TShark)
│   └── entrypoint.sh   # Script de inicialização
│
├── frontend/           # Frontend React (UI)
│   ├── src/
│   │   ├── components/ # Componentes (UsersManagement.tsx, etc.)
│   │   ├── pages/      # Páginas (Dashboard.tsx)
│   │   └── api/        # Funções de fetch (auth.ts, files.ts)
│   ├── Dockerfile      # Receita (Node.js build -> Nginx)
│   └── nginx.conf      # Configuração do Reverse Proxy
│
├── captures/           # Pasta "Hot-Folder" (para arquivos .pcapng)
│   └── .gitkeep
│
├── docker-compose.yml  # Orquestrador principal
│
└── README.md

---

🔒 Requisitos Funcionais Principais

• RF01: Permitir upload manual de arquivos .pcapng.
• RF02: Extrair IPs, portas, protocolos e payloads.
• RF03: Reconstruir sessões de comunicação.
• RF04: Gerar estatísticas de IPs, portas e protocolos.
• RF05: Armazenar análises e alertas em SQLite.
• RF06: Expor endpoints RESTful.
• RF07: Exibir dashboards interativos.
• RF08: Detalhar análises e alertas.
• RF09: Indicar status das análises.
• RF10: Autenticação de usuários via JWT.

---

🧠 Requisitos Não Funcionais

• RNF01 (Performance): Processar 100MB em até 5 minutos.
• RNF02 (Robustez): Tolerar falhas de parsing.
• RNF03 (Usabilidade): Interface intuitiva.
• RNF04 (Extensibilidade): Inclusão de novas regras sem refatoração.
• RNF05 (Segurança): Validação de arquivos de entrada.
• RNF06 (Documentação): Manual de uso e API Swagger.

---

🧩 Critérios de Sucesso

✅ Processar arquivos de 100MB em menos de 5 minutos.
✅ Detectar >90% de ameaças baseado nas regras definidas pelo usuário.
✅ Usuário básico consegue interpretar relatórios.
✅ Adicionar novas regras de detecção sem refatoração estrutural.

---

🧰 Ferramentas Correlatas e Diferenciação

• NetworkMiner: Extração de artefatos e GUI intuitiva.
  Limitação: Desktop, foco reduzido em dashboards.

• CapAnalysis: Web-based com estatísticas de fluxos.
  Limitação: Projeto pouco atualizado.

• 🦈 SharpShark: Combina backend automatizado (Python/FastAPI), interface moderna (React) e motor de detecção configurável, atuando como primeira linha de defesa cibernética integrada.

📚 Referências

• CapAnalysis
• FastAPI
• NetworkMiner
• Python
• React
• Scapy
• SQLAlchemy
• Wireshark