几天前，我发布了Cyber Eye Web平台。一个允许任何用户，甚至没有技术知识的用户，都可以在其基础架构上运行一些基本和高级的安全扫描。

这些扫描中的每一个都是从外部进行的，模拟了攻击者可以搜索的内容。

今天，我们将沿着这个平台的技术方面走下去，我将解释一下我的工作方式。我对改进它的任何建议很开放:)

---

服务器架构

对于这个项目，我决定将其作为可扩展性的优先级。实际上，由于用户自己可以决定扫描的周期性（通过CRON用户友好的选择器），我希望晚上12点在凌晨12点重载。

所以我决定以这种方式拆分体系结构：

• 管理用户请求的服务负责验证，用户信用检查，将请求发布到其他服务）
• AWS SQS队列发送请求
• 服务听上述队列，负责部署安全探针（每个探测器都用Docker进行了容器）
• AWS SQS队列，其中探针是发送结果通知
• a mongodb atlas数据库存储探针的原始结果
• 管理探针结果的服务，解析它们并创建提供给用户的最终报告
• 最后， Supabase提供的实时数据库处理基本数据存储并允许UI响应率
• 3其他其他服务处理自动化工作，平台统计和使用Stripe的计费

请求服务

此服务是平台的入口点。它是负责处理用户请求的原因，确保他们有足够的信用来运行扫描并将请求发布到AWS SQS队列。

报告服务

此服务是工作流程的最后一部分，当扫描的最后一个探测结束时，它触发。它将从Mongo汲取所有探针，然后根据定义的解析器解析每个探针。一旦正确解析了每个结果，它们就会汇总以形成最终的报告嵌入更多元数据。该报告将提供给用户。

部署服务

这是让我头痛的那个。最初，我想使用由AWS SQS队列触发的AWS lambda函数按需部署某些容器。但是，我使用ECS进行了很多努力，因为它鼓励使用预定义的配置文件，而我希望我的容器可以随时部署而没有任何结构。
在这一点上，我的解决方案是在AWS Services地狱中进行更深入的研究，或者独自研究并创建自己非常简单的EC。这就是我所做的。

这个自制的AWS ECS是用Python编写的，使用boto3模块聆听AWS队列。在收到的每个事件中，请求进行解析，确定相关容器并设置配置。然后，将容器放置在部署等候队列内（将随机设置为最多5平行运行）。当部署插槽免费时，容器将在主机机器上执行，并在末端被杀死。

这个选择还使我可以降低AWS产生的成本。

探针

每个探针都包裹在码头容器中，以便能够在任何地方运行它，与代码库的其余部分脱钩，并用任何语言编写

我基本上不是创建自己的安全工具，而是围绕着著名工具（例如nmap，nikto，sqlmap ...）构建包装纸...以提供可信赖的结果。

---

前端体系结构

梳理自己，这将是一篇长读

我正在使用react和parwindcss ：）

---

Git Methology＆CI / CD

为了能够轻松管理我的模型和常见代码，我决定使用整个服务器端进行MonorePo。
我设置了一些GitHub操作，以便在DEV和生产分支机构上的每个推/拉请求上运行测试。然后，我的Docker图像是使用Dockerhub构建和存储的。
在CD侧，我正在努力在生产服务器上设置watchtower，以自动拉新的图像并重新启动容器。

总而言之，这个项目对我来说是一个令人兴奋的游乐场，我可以利用我的所有知识并学习了大量新事物（软件架构，DevOps实践，生产的严格性...）。我肯定会继续这个项目将其带入成熟的产品，并越来越多的探针，并将在此博客上发布更多更新

谢谢您阅读！很高兴在评论部分听到您的想法