Skip to main content
Glama
Forensics MCP Server

Forensics MCP Server

Самособирающийся криминалистический MCP-сервер (FastMCP / Python)

Модульный сервер Model Context Protocol (MCP) для цифровой криминалистики и реагирования на инциденты (DFIR), построенный на Python и FastMCP (mcp>=2.0.0).

Он динамически обнаруживает криминалистические утилиты хоста и контейнеров при запуске и автоматически собирает функциональные инструменты, ресурсы и подсказки для триажа для локальных LLM и AI-агентов (Ollama, Claude, Cursor, Antigravity и т.д.).


🌟 Возможности

  • 🔍 Динамическое обнаружение возможностей: Проверяет пути окружения хоста, установленные бинарные файлы (exiftool, strings, volatility3, binwalk, tshark, objdump, gdb, yara) и среды выполнения Docker. Отсутствующие инструменты корректно сообщаются без сбоев.

  • 🧩 Самособирающиеся примитивы инструментов: Автоматически регистрирует только те инструменты, которые доступны в окружении хоста.

  • 🛡️ Готовность к автономной работе без сети: Встроенная офлайн-база данных угроз с известными сигнатурами образцов (EICAR, WannaCry, Mimikatz) для безопасного реагирования на инциденты без утечки данных.

  • 📋 Цепочка хранения, устойчивая к взлому: Каждое выполнение инструмента, проверенный артефакт, SHA-256 контрольная сумма и параметр действия криптографически хэшируются и записываются в журнал только для добавления (evidence/chain_of_custody.jsonl).

  • 🩺 Самодиагностика здоровья и ресурсов: Матрица возможностей в реальном времени (forensics://capabilities), журналы хранения (forensics://custody) и состояние системы (forensics://health).

  • ⚡ Двойной транспорт: Поддерживает стандартный STDIO для родных MCP-клиентов (Cursor, Claude, Antigravity) и SSE/HTTP для веб-LLM-агентов (Ollama, Open WebUI).


Related MCP server: findevil-agent

🚀 Быстрый старт

1. Предварительные требования

  • Python 3.10+ (или uv)

2. Запуск сервера

Вариант A: Родной транспорт STDIO (для локальных агентов / Cursor / Claude)

cd /home/b47m4n/Projects/forensics-mcp-framework
uv run src/server.py

Вариант B: Транспорт SSE / HTTP (для веб / удаленных LLM)

cd /home/b47m4n/Projects/forensics-mcp-framework
uv run src/server.py --transport sse --port 8000

🔌 Подключение к локальным LLM и агентам

1. Antigravity / Claude / Cursor (claude_desktop_config.json / mcp.json)

{
  "mcpServers": {
    "forensic-analyzer": {
      "command": "uv",
      "args": [
        "--directory",
        "/home/b47m4n/Projects/forensics-mcp-framework",
        "run",
        "src/server.py"
      ]
    }
  }
}

2. Локальная LLM через Ollama + MCP

Подключите свою локальную модель (например, llama3.1, qwen2.5-coder) через конечную точку SSE: http://localhost:8000/sse


🛠️ Каталог обнаруженных инструментов

Инструмент

Категория

Динамическое условие

Описание

extract_metadata

Метаданные и файлы

Всегда доступен

Вычисляет хэши (MD5/SHA256), теги EXIF и обнаруживает несоответствия MIME

extract_strings

Статический анализ

Всегда доступен

Извлекает печатные строки ASCII и Unicode

scan_iocs

Обнаружение угроз

Всегда доступен

Сканирует на наличие C2-URL, IP-адресов, Base64-блобов, выполнения команд

check_threat_intel

Разведка угроз

Всегда доступен

Проверяет хэши по офлайн-сигнатурам и опциональным живым API

system_health_check

Диагностика

Всегда доступен

Статус здоровья, проверка хранилища и готовности инструментов

windows_image_info

Криминалистика памяти

vol или Docker

Volatility 3 windows.info

windows_pslist

Криминалистика памяти

vol или Docker

Volatility 3 windows.pslist

windows_pstree

Криминалистика памяти

vol или Docker

Volatility 3 windows.pstree

windows_netscan

Криминалистика памяти

vol или Docker

Volatility 3 windows.netscan

windows_malfind

Криминалистика памяти

vol или Docker

Volatility 3 windows.malfind (внедренный код)

binwalk_scan

Извлечение файлов

Наличие binwalk

Сигнатуры прошивки и извлечение файловых систем

pcap_analyze

Сетевая криминалистика

Наличие tshark

Анализ захваченных сетевых пакетов PCAP

binary_disassemble

Обратная разработка

Наличие objdump

Дизассемблирование машинных инструкций

gdb_inspect

Отладка

Наличие gdb

Автоматизированная пакетная отладка

yara_scan

Сопоставление сигнатур

Наличие yara

Сканирует доказательства по правилам YARA


📂 Архитектура проекта

forensics-mcp-framework/
├── pyproject.toml
├── .env.example
├── README.md
├── evidence/                  # Evidence locker & chain of custody ledger
│   ├── suspect_photo.jpg
│   ├── eicar_test.com
│   └── chain_of_custody.jsonl
└── src/
    ├── server.py              # Master FastMCP bootstrap & dynamic assembler
    ├── core/
    │   ├── discovery.py       # Host & container capability scanner
    │   ├── custody.py         # Tamper-evident append-only chain of custody
    │   └── health.py          # System diagnostics & health reporter
    ├── tools/
    │   ├── metadata.py        # ExifTool & MIME mismatch detector
    │   ├── strings_ioc.py     # String & IOC scanner (IP, URL, Base64, shell)
    │   ├── threat_intel.py    # Offline/online threat intelligence
    │   ├── memory_vol.py      # Volatility 3 memory analysis engine
    │   └── dynamic_cli.py     # CLI wrappers (binwalk, tshark, objdump, gdb)
    ├── resources/
    │   └── system_resources.py# MCP Resources
    └── prompts/
        └── triage_prompts.py  # Structured DFIR workflows

Available Tools

5 tools
check_threat_intelB

Queries threat intelligence databases (with safe offline fixture fallback) for a file hash.

Inputs: file_hash (required), case_id. Returns: result

extract_metadataB

Extracts file metadata, computes cryptographic hashes (MD5, SHA-1, SHA-256, SHA-512), and detects MIME-type masquerading.

Inputs: file_path (required), case_id. Returns: result

extract_stringsC

Extracts printable ASCII & Unicode strings from an evidence artifact.

Inputs: file_path (required), case_id, min_length, max_results, +1 more. Returns: result

scan_iocsC

Scans an evidence artifact for Indicators of Compromise: IPs, C2 URLs, email addresses, suspicious commands, and Base64 payloads.

Inputs: file_path (required), case_id. Returns: result

system_health_checkA

Inspects real-time host forensic capability readiness, storage, and chain-of-custody status.

Inputs: no named parameters. Returns: result

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A3.5/5.0

    Scored across 5 tools

    Disambiguation5/5

    Each tool targets a distinct forensic task: system readiness, metadata extraction, string extraction, IOC scanning, and threat intel lookup. There is no functional overlap, and the descriptions clearly delineate their purposes.

    Naming Consistency5/5

    All tool names follow a consistent verb_noun pattern (e.g., system_health_check, extract_metadata, scan_iocs), using snake_case throughout. The naming is predictable and aligns with forensic terminology.

    Tool Count5/5

    Five tools is appropriate for a forensic server covering host readiness, file analysis, and threat detection. Each tool serves a necessary function without redundancy or gaps in the core workflow.

    Completeness4/5

    The toolset covers essential forensic steps: health check, metadata extraction, string extraction, IOC scanning, and threat intel. A minor gap is the absence of a tool for parsing specific artifact types (e.g., registry hives or logs), but the set is sufficient for basic evidence triage.

    Maintenance

    ActivityInactive
    ResponsivenessNo recent community issues

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      Enables AI agents to interface with Velociraptor for digital forensics and incident response tasks, including file/memory scans, remediation actions, and artifact collection across multiple operating systems.
      1
      MIT
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables autonomous digital forensics and incident response through 21 typed forensic tools covering disk, memory, registry, network, timeline, carving, and patterns, integrated with AI-driven reasoning and self-correction.
      MIT
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables autonomous digital forensics and incident response by wrapping SIFT Workstation tools as MCP tools and orchestrating a multi-agent AI pipeline for evidence analysis and remediation planning.
      2
      MIT
    • A
      license
      Not graded
      quality
      D
      maintenance
      Enables AI agents to analyze memory dumps for forensic investigation, leveraging a fast Rust engine and full Volatility3 plugin coverage via the Model Context Protocol.
      1
      MIT