測試方法論
框架
Vitest
測試檔案
140
測試案例
3,490
覆蓋範圍
單元測試 + 整合測試
CI
每次提交自動執行
偵測效能
| 指標 | 延遲 |
|---|---|
| 規則比對（Sigma / YARA） | < 50 ms |
| 本地 AI 分析（Ollama） | < 200 ms |
| 雲端 AI 分析（Claude / GPT） | 1 - 3 s |
| 事件關聯分析 | < 100 ms |
| 基線偏差檢查 | < 10 ms |
| SAST 掃描（每個檔案） | < 500 ms |
誤報控制
- 7 天學習基線期
- Welford 線上演算法進行統計異常偵測
- 基於 Z-score 的偏差評分
- 可配置的信心閾值（autoRespond: 85, notify: 50, logOnly: 0）
- 多代理驗證流水線（偵測 -> 分析 -> 回應 -> 報告）
資源消耗
CPU
監控期間（閒置）< 2%
RAM
約 50 MB 基本記憶體佔用
磁碟
約 100 MB（規則 + 基線資料）
網路
極少（僅在啟用 Threat Cloud 上傳時使用）
我們不做的事
透明度建立信任。以下是目前 Panguard AI 平台的明確邊界，讓您做出知情決策。
不是 WAF（Web 應用程式防火牆）
我們監控端點，而非 HTTP 流量。
不是完整的 SIEM 替代品
我們補充企業 SIEM，而非取代它。
不是 DLP（資料外洩防護）解決方案
我們的重點是威脅偵測，而非資料分類。
需要 Node.js 20+ 執行環境
不支援較舊的執行環境。
未安裝 Semgrep CLI 時，SAST 使用正則表達式回退
安裝 Semgrep 以獲得完整的靜態分析覆蓋。
雲端 AI 功能需要 API 金鑰和網路連線
提供純本地模式，但 AI 能力會有所降低。
Windows 支援目前為 Beta 版
macOS 和 Linux 已可用於生產環境；Windows 正在積極開發中。
無核心層級監控（僅使用者空間）
我們完全在使用者空間中運作，以確保安全性和可攜性。