项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-20 · 当前星标 ★ 1550
使用教程
环境要求
- 已安装 Docker 与 Docker Compose(docker-compose 方式)
- 已安装 curl
- 手动部署需要 JDK 与 Maven
- 手动部署前端需要 Node.js/npm
- 手动部署需要本地 MongoDB
安装与启动步骤
-
1克隆仓库
把 Akto 源码拉取到本地并进入项目目录,后续所有命令都在该目录下执行。
git clone https://github.com/akto-api-security/akto.git cd akto -
2Docker 一键启动
README 推荐方式,适用于任何装了 Docker 的机器;-d 表示后台运行,首次会拉取镜像。
docker-compose up -d -
3打开控制台
在浏览器访问本机 9090 端口即可进入 Akto 控制台,云服务器请改用实例地址或隧道地址。
-
4手动部署:数据库
新开终端,在用户目录下建数据目录并启动 MongoDB;README 中 mongod 写为 <path_to_mongo_folder>/bin/mongod,请按实际安装路径调整。
mkdir ~/akto_mongo_data mongod --dbpath ~/akto_mongo_data -
5手动部署:前端
新开终端进入前端目录,安装依赖后以 hot 模式启动开发服务,等待编译完成。
cd apps/dashboard/web/polaris_web npm install npm run hot -
6手动部署:Dashboard
新开终端进入 akto 根目录,先导出两个环境变量,再编译并启动 Jetty,服务端口指定为 9090。
export AKTO_MONGO_CONN="mongodb://localhost:27017" export DASHBOARD_MODE="local_deploy" mvn clean install mvn --projects :dashboard --also-make jetty:run -Djetty.port=9090 -
7手动部署:测试模块
新开终端进入 apps/testing,同样导出 Mongo 连接后编译并运行 testing 主类。
cd apps/testing export AKTO_MONGO_CONN="mongodb://localhost:27017" mvn compile; mvn exec:java -Dexec.mainClass="com.akto.testing.Main"
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
AKTO_MONGO_CONN | 是 | Dashboard 与 testing 模块连接 MongoDB 的地址 | mongodb://localhost:27017 |
DASHBOARD_MODE | 是 | Dashboard 运行模式,手动本地部署时固定为该值 | local_deploy |
jetty.port | 否 | Dashboard 服务监听端口,默认按 README 使用 9090 | 9090 |
如何确认成功
浏览器访问 http://localhost:9090(云上换成 http://ip:9090 或隧道地址),能看到 Akto 控制台即部署成功;Docker 方式可用 docker-compose ps 查看容器是否在运行。
常见问题
Q:docker-compose up -d 后打不开 9090 页面怎么办?
A:先确认容器是否正常运行,再检查本机防火墙或云安全组是否放行 9090 入站,且来源已限制为 VPC 网段或你自己的 IP。
Q:在云服务器上怎么安全部署?
A:只对 9090 开放入站并限制源 CIDR,最好放在私有子网、保留出网能力,README 明确建议不要使用公有子网的 EC2。
Q:私有子网实例如何访问控制台?
A:通过 VPN 或 SSH 隧道 ssh -i pemfile ec2-user@vpn-public-instance -L 9090:private-instance:9090,然后浏览器访问 http://private-instance:9090。
Q:手动部署时各模块的启动顺序?
A:先启动 MongoDB,再启动 Dashboard、前端和 testing 模块;三个模块都要导出 AKTO_MONGO_CONN 指向本地 27017。
注意事项
- docker-compose 方式需要机器已安装 curl 和 Docker,可直接复制 README 的三条命令完成安装。
- 云上如需镜像流量分析、CI/CD 定时测试和多成员协作,README 指向 Enterprise 版 stairway.akto.io。
- 手动部署的 mongod 路径在 README 中以 <path_to_mongo_folder> 占位,请替换为机器上 MongoDB 的真实安装路径。
- 公网子网直接访问 http://ip:9090 存在暴露风险,README 明确不建议这样做。
核心亮点
- 自动扫描 LLM 和 AI 代理的提示注入、越权等漏洞,测试覆盖全面
- 支持 MCP 和 Agent 技能等新兴 AI 组件,紧跟技术趋势
- 提供安全治理策略,可嵌入 CI/CD 实现持续安全测试
不足之处
- 作为成长中项目,文档和社区生态尚待完善
- Java 技术栈可能限制部分非 Java 团队的二次开发
适用场景
- 企业部署 LLM 应用前进行安全合规测试
- AI 代理或 MCP 服务开发过程中的漏洞扫描
- DevSecOps 流程中集成 AI 安全自动化检查
替代项目
Garak、PyRIT、Counterfit
下一篇:AgentGuard
同类项目推荐
llm-leaderboard
开源
一站式对比LLM基准分数和价格,快速选型
A comprehensive set of LLM benchmark scores and provider prices. (deprecated, read m···
bigcodebench
开源
用真实编程难题,测出大模型代码能力的真实天花板
[ICLR'25] BigCodeBench: Benchmarking Code Generation Towards AGI
crab
开源
跨环境测试你的AI智能体,看它真实干活行不行
️ CRAB: Cross-environment Agent Benchmark for Multimodal Language Model Agents. htt···
LettuceDetect
开源
定位 RAG 回答里哪句话没依据,span 级揪出幻觉
Span-level grounding verification for RAG, code, and tool-grounded AI outputs.
Awesome-LLMs-Pruning
开源
大模型剪枝论文一网打尽,调研选型不迷路
Awesome LLM pruning papers all-in-one repository with integrating all useful resourc···
evals
开源
给 AI Agent 做统一考试,改一版测一版
A comprehensive evaluation framework for AI agents and LLM applications.
Awesome-LMMs-Mechanistic-Interpr···
开源
一站式读懂多模态模型内部工作原理
A curated collection of resources focused on the Mechanistic Interpretability (MI) o···
uncheatable_eval
开源
用最新网络数据动态出题,防止模型背答案刷分
Evaluating LLMs with Dynamic Data
RiOSWorld
开源
测出你的电脑智能体有多“手贱”,防翻车必备
[NeurIPS 2025] Official repository of RiOSWorld: Benchmarking the Risk of Multimodal···
