Skip to main content
Glama
sudo-hrmn

MCP-Gatekeeper

by sudo-hrmn

🛡️ MCP-Gatekeeper

Laufzeit-Sicherheits-Gateway & FastMCP-Server für Model Context Protocol (MCP)-Clients und vorgelagerte Server.

MCP-Gatekeeper ist ein Defense-in-Depth-Proxy und FastMCP-Server, der 100 % der Tool-Listen-Aktualisierungen und Tool-Antworten überprüft und so Tool-Vergiftung, durch Antworten ausgelöste Prompt-Injection (z. B. MCPoison-/CurXecute-Angriffe), stille Tool-Schema-Änderungen („Rug Pulls") und unbefugte Hochrisiko-Operationen verhindert.

Konzipiert für die sofortige Bereitstellung auf fastmcp.cloud oder die lokale Ausführung über die fastmcp-CLI.


🚀 Hauptmerkmale und Funktionen

  1. FastMCP Cloud Ready: Ein Datei umfassender FastMCP-Einstiegspunkt (server.py), der direkt auf fastmcp.cloud mit SSE- und HTTP-Transport bereitgestellt werden kann.

  2. Rug-Pull-Schemata-Schutz: Erfassung einer Tool-Schema-Baseline bei der Verbindung; gleicht 100 % der Tool-Listen-Aktualisierungen mit genehmigten Baselines ab und blockt nicht genehmigte Tool-Änderungen standardmäßig.

  3. Zweistufiger Scanner für Antwort-Injection:

    • Stufe 1: Hochleistungsfähiger regelbasierter Vorfilter, der auf bekannte Anweisungsentführungen, Exfiltration-Fallen und Shell-Injection abzielt.

    • Stufe 2: Tiefgehende semantische LLM-Klassifizierung unter Verwendung einer beliebigen OpenAI-kompatiblen API (LLM_API_KEY aus .env, unterstützt OpenAI, Grok, DeepSeek, Anthropic oder lokales Ollama).

  4. Fail-Closed-Sicherheitsdesign: Jeder Klassifikatorfehler, jedes Netzwerk-Timeout oder jede unbehandelte Ausnahme führt standardmäßig zum Blockieren der Nutzlast und zur Erstellung eines Sicherheitsvorfalls.

  5. Policy-Engine: Konfigurierbare Regelauswertung pro Tool und pro Server (allow, block, confirm, rate_limit).

  6. Bestätigungs-Gate für Menschen: Hält risikoreiche Aktionen bis zur Admin-Freigabe zurück; schlägt fehl (verweigert), wenn innerhalb des konfigurierbaren Zeitlimits nicht geantwortet wird.

  7. Manipulationssichere Prüfpfad: Jeder Aufruf, jede Antwort, jede Richtlinienentscheidung und jede Admin-Entscheidung wird mit SHA-256-Hash-Verkettung gespeichert.

  8. Cloud Control Center Dashboard: Live-HTML-Admin-Dashboard, das direkt über FastMCP unter /dashboard bereitgestellt wird.


Related MCP server: guardrails-mcp-server

🛠️ Architekturübersicht

Systemarchitektur auf hoher Ebene

flowchart TD
    subgraph Clients["AI Clients & Interfaces"]
        C1["Claude Desktop"]
        C2["Claude Code CLI"]
        C3["Google Antigravity"]
        C4["ChatGPT / Custom App"]
    end

    subgraph Gateway["🛡️ MCP-Gatekeeper (FastMCP Cloud)"]
        direction TB
        S["FastMCP Server\nserver.py"]
        
        subgraph Engine["Security & Policy Engines"]
            B["Schema Baseline Manager\n(Rug-Pull Detector)"]
            POL["Policy Engine\n(Allow/Block/Confirm/Rate-Limit)"]
            CONF["Confirmation Manager\n(Human Approval Gate)"]
            
            subgraph Classifier["Two-Stage Response Classifier"]
                R1["Stage 1: Rule Prefilter\n(Fast Pattern Match)"]
                R2["Stage 2: LLM Classifier\n(OpenAI / Grok / DeepSeek / Ollama)"]
            end
        end

        UI["Admin Control Center UI\n/dashboard"]
    end

    subgraph External["Upstream Services & AI APIs"]
        UP["Upstream MCP Servers\n(GitHub, SQL, Web Search, APIs)"]
        LLM["LLM Classifier API\n(OpenAI / Grok / DeepSeek / Ollama)"]
    end

    subgraph Storage["Datastore & Audit"]
        DB[("PostgreSQL / SQLite DB")]
        AUDIT[("Tamper-Evident Audit Log\n(SHA-256 Hash Chained)")]
    end

    Clients -->|MCP SSE / stdio / JSON-RPC| S
    S --> B
    S --> POL
    POL -->|Held Action| CONF
    POL -->|Allowed| UP
    UP -->|Tool Response| Classifier
    Classifier --> R1
    R1 -->|Ambiguous / Suspicious| R2
    R2 -->|API Query| LLM
    Classifier -->|Clean / Safe| Clients
    Classifier -->|Malicious / Timeout| Block["Fail-Closed Block Response"]

    UI -->|Manage Policies & Baselines| DB
    Engine -->|Record Calls & Incidents| DB
    Engine -->|Write Chain Record| AUDIT

Detaillierter Ausführungsablauf und Sicherheits-Pipeline

sequenceDiagram
    autonumber
    actor Client as AI Agent Client
    participant FastMCP as FastMCP Server (server.py)
    participant Base as Schema Baseline Manager
    participant Policy as Policy Engine
    participant Gate as Human Confirmation Gate
    participant Admin as Admin Dashboard (/dashboard)
    participant Upstream as Upstream MCP Server
    participant Stage1 as Stage 1: Rule Prefilter
    participant Stage2 as Stage 2: LLM Classifier
    participant Audit as SHA-256 Audit Log

    Client->>FastMCP: 1. Request check_tool_security (tool_name, payload)
    
    FastMCP->>Base: 2. Check tool baseline schema status
    alt Schema modified or unapproved (Rug-Pull)
        Base-->>FastMCP: Flagged schema mismatch
        FastMCP->>Audit: Log Rug-Pull Incident
        FastMCP-->>Client: Return Error: Tool schema unapproved
    else Approved Baseline
        Base-->>FastMCP: Baseline OK
    end

    FastMCP->>Policy: 3. Evaluate Call Policy
    alt Policy = Blocked / Rate-Limited
        Policy-->>FastMCP: Action Blocked
        FastMCP-->>Client: Return Error: Blocked by security policy
    else Policy = Held for Confirmation
        Policy->>Gate: 4. Create Pending Approval Request
        Gate->>Admin: Notify Admin on Dashboard
        Admin->>Gate: 5. Admin Approves / Denies (or Timeout)
        alt Denied or Timed Out (Fail-Closed)
            Gate-->>FastMCP: Action Denied
            FastMCP-->>Client: Return Error: High-risk action denied
        else Approved
            Gate-->>FastMCP: Action Approved
        end
    end

    FastMCP->>Stage1: 6. Scan Response (Stage 1 Rule Prefilter)
    alt Stage 1 Matches Known Attack Vector
        Stage1-->>FastMCP: Verdict: Malicious
        FastMCP->>Audit: Record Security Incident & Audit Log
        FastMCP-->>Client: Return Safe Error: Response blocked
    else Stage 1 Suspicious / Ambiguous
        FastMCP->>Stage2: 7. Escalate to Stage 2 LLM Classifier
        Stage2-->>FastMCP: Verdict & Reason (or Fail-Closed on Error)
        alt Verdict = Malicious / Error
            FastMCP->>Audit: Record Security Incident & Audit Log
            FastMCP-->>Client: Return Safe Error: Response blocked
        else Verdict = Clean
            FastMCP->>Audit: Write Hash-Chained Audit Entry
            FastMCP-->>Client: 8. Return Verified Clean Response
        end
    else Stage 1 Clean
        FastMCP->>Audit: Write Hash-Chained Audit Entry
        FastMCP-->>Client: 8. Return Verified Clean Response
    end

🔑 Umgebungskonfiguration (.env)

Das Gateway liest die generische LLM-Umgebungskonfiguration aus .env:

# LLM Security Classifier API Key (Supports OpenAI, DeepSeek, Grok, Ollama)
LLM_API_KEY="your-llm-api-key-here"
LLM_API_URL="https://api.openai.com/v1/chat/completions" # or https://api.x.ai/v1/chat/completions, https://api.deepseek.com/v1/chat/completions
LLM_MODEL="gpt-4o-mini" # or grok-2-latest, deepseek-chat, llama3, etc.

ADMIN_API_KEY="trust-gateway-admin-key-secret"
DATABASE_URL="sqlite+aiosqlite:///mcp_trust_gateway.db"
FAIL_CLOSED=true
CLASSIFIER_TIMEOUT_SECONDS=3.0
CONFIRMATION_TIMEOUT_SECONDS=60

☁️ Bereitstellung und Client-Integration

1. Bereitstellung auf FastMCP Cloud

  1. Übertragen Sie dieses Repository auf GitHub.

  2. Gehen Sie zu fastmcp.cloud und erstellen Sie einen neuen Server:

    • Einstiegspunkt: server.py

    • Umgebungsvariable: LLM_API_KEY = your-api-key-here

  3. Klicken Sie auf Bereitstellen. FastMCP Cloud stellt Ihre Endpunkte bereit:

    • MCP-SSE-Server: https://mcp.fastmcp.cloud/your-username/mcp-trust-gateway/sse

    • Admin-Dashboard: https://mcp.fastmcp.cloud/your-username/mcp-trust-gateway/dashboard


2. Client-Konfigurationen

🤖 Google Antigravity & Claude Desktop (mcp_config.json)

{
  "mcpServers": {
    "mcp-trust-gateway": {
      "url": "https://mcp.fastmcp.cloud/your-username/mcp-trust-gateway/sse"
    }
  }
}

💻 Claude Code (CLI)

claude mcp add mcp-trust-gateway --transport sse \
  https://mcp.fastmcp.cloud/your-username/mcp-trust-gateway/sse

🧪 Test- und Adversarial-Regression-Suite

Führen Sie die vollständige pytest-Suite einschließlich der Adversarial-Regression-Testsuite aus:

pytest -v

Erzielte Kennzahlen

  • 📊 Adversarial-Erkennungsrate: 100 % (Ziel: ≥95 %)

  • 📊 Falsch-Positiv-Rate: 0 % (Ziel: <2 %)


📝 Designentscheidungen

  1. Fail-Closed-Standard: Alle mehrdeutigen Antworten, Klassifikator-Timeouts, Netzwerkprobleme oder nicht genehmigten Schemaänderungen schlagen fehl (Aktion blockieren und Administratoren benachrichtigen).

  2. Redaktion von Anmeldeinformationen: Geheimnisse, API-Token und Passwörter, die mit sensiblen Schlüsseln übereinstimmen, werden vor dem Speichern im Prüfspeicher automatisch geschwärzt.

  3. Stufe-1-Schnellfilter + LLM-Eskalation: Bekannte bösartige Muster werden sofort von Stufe 1 abgefangen, wodurch Latenz- und API-Aufwand für offensichtliche Angriffe entfallen, während für komplexe semantische Analysen ein LLM genutzt wird.

  4. Manipulationssichere Hash-Verkettung: Jeder Protokolleintrag berechnet SHA256(actor | action | target | details | prev_hash | timestamp), was Nichtabstreitbarkeit und die Erkennung von Protokollmanipulationen gewährleistet.

F
license - not found
Not graded
quality - not tested
B
maintenance

Maintenance

Maintainers
Response time
Release cycle
Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Servers

  • A
    license
    Not graded
    quality
    A
    maintenance
    Security gateway for MCP tool calls. Sits between your LLM client and MCP servers, enforcing per-tool policies (allow/block/approve/read-only), logging every call, and pausing dangerous operations for human approval in terminal or Slack.
    2
    1
    MIT
  • A
    license
    Not graded
    quality
    C
    maintenance
    MCP server for AI agent security guardrails. Provides input validation, prompt injection detection, PII redaction, output filtering, policy enforcement, rate limiting, and comprehensive audit logging.
    45
    1
    MIT
  • A
    license
    Not graded
    quality
    A
    maintenance
    A zero-trust security gateway for MCP tool calls, inspecting tool identity, arguments, execution decisions, and returned content before risk reaches your coding agent.
    Apache 2.0
  • A
    license
    Not graded
    quality
    D
    maintenance
    A defensive gateway and firewall for AI agents using MCP servers, scanning tool calls, responses, and manifests for prompt injection, secrets, dangerous commands, and drift before allowing execution.
    MIT

View all related MCP servers

Related MCP Connectors

  • Security firewall for AI agents — scans MCP calls for injection, secrets, and risks.

  • Security scanner for MCP servers. Detect vulnerabilities, prompt injection, and tool poisoning.

  • Scans MCP servers for tool poisoning, prompt injection and supply chain risks.

View all MCP Connectors

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/sudo-hrmn/MCP-Gatekeeper'

If you have feedback or need assistance with the MCP directory API, please join our Discord server