Skip to main content
Glama
sudo-hrmn

MCP-Gatekeeper

by sudo-hrmn

🛡️ MCP-Gatekeeper

Puerta de enlace de seguridad en tiempo de ejecución y servidor FastMCP para clientes de Model Context Protocol (MCP) y servidores de origen (upstream).

MCP-Gatekeeper es un proxy de defensa en profundidad y un servidor FastMCP que inspecciona el 100% de las actualizaciones de la lista de herramientas y de las respuestas de las herramientas, evitando el envenenamiento de herramientas, la inyección de prompts a través de las respuestas (por ejemplo, ataques MCPoison / CurXecute), la modificación silenciosa de esquemas de herramientas («rug pulls») y las operaciones no autorizadas de alto riesgo.

Diseñado para un despliegue inmediato en fastmcp.cloud o para su ejecución local mediante la CLI de fastmcp.


🚀 Características y capacidades principales

  1. Listo para FastMCP Cloud: punto de entrada FastMCP de un solo archivo (server.py) desplegable directamente en fastmcp.cloud con transporte SSE y HTTP.

  2. Protección de esquemas contra «rug pulls»: captura de la línea base del esquema de herramientas en el momento de la conexión; compara el 100% de las actualizaciones de la lista de herramientas con las líneas base aprobadas y bloquea los cambios de herramientas no aprobados de forma predeterminada.

  3. Escáner de inyección en respuestas en dos etapas:

    • Etapa 1: prefiltro de alto rendimiento basado en reglas, orientado a secuestros de instrucciones conocidos, trampas de exfiltración e inyección de comandos de shell.

    • Etapa 2: clasificación semántica profunda mediante LLM que utiliza cualquier API compatible con OpenAI (LLM_API_KEY del fichero .env, compatible con OpenAI, Grok, DeepSeek, Anthropic u Ollama local).

  4. Seguridad de bloqueo ante fallos (fail-closed): cualquier fallo del clasificador, un tiempo de espera de red o una excepción no controlada bloquea la carga útil por defecto y genera un incidente de seguridad.

  5. Motor de políticas: evaluación de reglas configurable por herramienta y por servidor (allow, block, confirm, rate_limit).

  6. Puerta de confirmación humana: mantiene en espera las acciones de alto riesgo pendientes de aprobación del administrador; se bloquea (deniega) si no se responde dentro de un plazo de tiempo configurable.

  7. Pista de auditoría con detección de manipulaciones: todas las llamadas, respuestas, dictámenes de políticas y decisiones del administrador se almacenan con encadenamiento de hashes SHA-256.

  8. Panel de Cloud Control Center: panel HTML de administración en vivo servido directamente a través de FastMCP en /dashboard.


Related MCP server: guardrails-mcp-server

🛠️ Resumen de la arquitectura

Arquitectura del sistema de alto nivel

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

Flujo de ejecución detallado y pipeline de seguridad

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

🔑 Configuración de entorno (.env)

La puerta de enlace lee la configuración genérica de entorno del LLM desde .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

☁️ Despliegue e integración de clientes

1. Desplegar en FastMCP Cloud

  1. Sube este repositorio a GitHub.

  2. Ve a fastmcp.cloud y crea un nuevo servidor:

    • Punto de entrada: server.py

    • Variable de entorno: LLM_API_KEY = your-api-key-here

  3. Haz clic en Deploy. FastMCP Cloud te proporciona los endpoints:

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

    • Panel de administración: https://mcp.fastmcp.cloud/your-username/mcp-trust-gateway/dashboard


2. Configuraciones de clientes

🤖 Google Antigravity y 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

🧪 Suite de pruebas y regresión adversarial

Ejecuta la suite completa de pytest-mcp, incluida la suite de pruebas de regresión adversarial:

pytest -v

Métricas obtenidas

  • 📊 Tasa de detección adversarial: 100% (Objetivo: ≥95%)

  • 📊 Tasa de falsos positivos: 0% (Objetivo: <2%)


📝 Decisiones de diseño

  1. Cierre ante fallos por defecto (fail-closed): todas las respuestas ambiguas, los tiempos de agotamiento de espera de red o las excepciones no controladas se bloquean por defecto (se deniega y se alerta a los administradores).

  2. Ofuscación de credenciales: los secretos, tokens de API y contraseñas que coinciden con claves sensibles se ofuscan automáticamente antes de guardarse en el almacenamiento de auditoría.

  3. Filtro rápido de la Etapa 1 + escalada a LLM: los patrones maliciosos conocidos se interceptan inmediatamente en la Etapa 1, lo que elimina la latencia y la sobrecarga de API para ataques evidentes, mientras se recurre a un LLM para el análisis semántico complejo.

  4. Encadenamiento de hashes con detección de manipulaciones: cada entrada de registro calcula SHA256(actor | action | target | details | prev_hash | timestamp), lo que garantiza la no repudiación y la detección de manipulación del registro.

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