Monitor de IA MCP

🔍 Descripción general

MCP_AI_Monitor es una solución integral de monitoreo de sistemas que utiliza algoritmos de aprendizaje automático no supervisados para detectar comportamientos anormales en el uso de recursos. Diseñado para proporcionar una visibilidad profunda del rendimiento de su sistema en tiempo real, combina recopilación de datos, análisis predictivo e informes detallados.

Related MCP server: Stealth-AntiCheat MCP

✨ Características principales

• 🤖 Detección de anomalías con IA : utiliza el bosque de aislamiento para identificar comportamientos inusuales del sistema

• 📊 Análisis en tiempo real : monitoreo continuo de métricas de CPU, RAM y red

• 🧠 Aprendizaje adaptativo : se ajusta al comportamiento normal de su sistema para reducir los falsos positivos.

• 📱 Notificaciones instantáneas : el sistema alerta cuando se detectan anomalías

• 📈 Visualizaciones detalladas : gráficos de uso de recursos con identificación de tendencias

• ⚙️ Análisis de procesos : identificación de aplicaciones que consumen muchos recursos

• 🌐 Monitoreo de red : analice las conexiones activas y el rendimiento de la red

• 📡 Integración con Discord : informes detallados enviados automáticamente a tus canales de Discord

• 🎨 Interfaz CLI moderna : visualización colorida e intuitiva en la terminal

🚀 Pedidos disponibles

🛠️ Arquitectura

MCP_AI_Monitor se compone de varios complementos:

1. Módulo de recopilación de datos ( collect_data.py )

   • Registra las métricas del sistema a intervalos regulares

   • Almacena datos en formato CSV para su posterior análisis.

2. Módulo de entrenamiento de IA ( train_model.py )

   • Preprocesa los datos recopilados

   • Entrenar un modelo de bosque de aislamiento para la detección de anomalías

   • Guarde el modelo para usarlo en tiempo real

3. Módulo de monitorización ( monitor_ai.py )

   • Utiliza el modelo entrenado para detectar anomalías en tiempo real

   • Implementa una fase de aprendizaje para adaptarse al comportamiento normal.

   • Distingue los lanzamientos de aplicaciones de las anomalías reales

4. Integración de Discord

   • Envía informes separados para hardware y red

   • Utiliza webhooks configurables para cada categoría de datos

   • Formato visual optimizado con incrustaciones temáticas

📊 Informes de Discord

MCP_AI_Monitor genera informes detallados y los envía a Discord a través de webhooks dedicados:

Informes de hardware

• Información del sistema : detalles sobre CPU, RAM y SO

• Gráficos de uso : visualice las tendencias de CPU/RAM

• Procesos activos : lista de las aplicaciones que consumen más energía

Informes de red

• Actividad de la red : velocidades de carga y descarga, volúmenes de datos

• Interfaces de red : detalles de las interfaces activas y sus direcciones IP

• Conexiones activas : seguimiento de las conexiones establecidas y los procesos asociados

📋 Requisitos previos

• Python 3.8+

• Dependencias de Python (instalables mediante pip install -r requirements.txt ):

  • psutil - Recopilación de datos del sistema

  • scikit-learn - Algoritmos de aprendizaje automático

  • pandas - Manipulación de datos

  • matplotlib - Generación de gráficos

  • colorama - Pantalla colorida en la terminal

  • discord-webhook - Integración con Discord

🔧 Instalación

1. Clonar este repositorio:

git clone https://github.com/MedusaSH/MCP_AI_Monitor.git
cd MCP_AI_Monitor

2. Instalar las dependencias:

pip install -r requirements.txt

3. Configura tus webhooks de Discord (opcional):

   • Cambiar las URL del webhook en el archivo mcp.py

   • Capacidad de utilizar webhooks separados para informes de hardware y red

📖 Guía del usuario

Inicio rápido

Para un primer uso completo:

# Collecte de données (60 secondes par défaut)
python mcp.py collect

# Entraînement du modèle IA
python mcp.py train

# Surveillance en temps réel
python mcp.py monitor

Flujo de trabajo automatizado

Para ejecutar todo el proceso en un solo comando:

# Exécute la séquence complète et envoie un rapport sur Discord
python mcp.py all --duration 120 --report

🔍 Detección de anomalías

El sistema utiliza un algoritmo de bosque de aislamiento para detectar comportamientos anormales:

1. Fase de aprendizaje : recopilación de datos para establecer una línea base

2. Adaptación dinámica : ajuste de los umbrales en función del comportamiento normal

3. Filtrado inteligente : detecta el inicio de aplicaciones para reducir los falsos positivos

4. Puntuación de anomalías : clasificación de eventos según el nivel de anomalía

🌱 Contribución

¡Las contribuciones son bienvenidas! Para contribuir:

1. Bifurcar el proyecto

2. Crea una rama para tu función ( git checkout -b feature/amazing-feature )

3. Confirme sus cambios ( git commit -m 'Add some amazing feature' )

4. Empujar a la rama ( git push origin feature/amazing-feature )

5. Abrir una solicitud de extracción

📜 Licencia

Este proyecto está licenciado bajo la licencia MIT. Consulte el archivo LICENSE para obtener más información.

👥 Autores

• MedusaSH - Desarrollo inicial - Github

🙏 Agradecimientos

• Aislamiento forestal por scikit-learn

• psutil para acceder a las métricas del sistema

• Biblioteca de webhooks de Discord para la integración con Discord