← Back

AI RBAC Analyzer

Projektet byggdes för att förstå Azure RBAC bättre i praktiken och samtidigt testa hur AI kan användas för att analysera access och överbehörighet.

Målet var inte att bygga ett färdigt enterprise-verktyg utan att kombinera teori med praktisk testning i en egen Azure-miljö.

Arkitektur

Azure RBAC → JSON Export → PowerShell → Ollama → AI Analysis

Steg 1 — Skapa testmiljö i Azure

Först skapades en egen labbmiljö i Azure för att kunna testa RBAC och accesshantering.

Följande resurser skapades:

Sedan skapades grupper och användare för olika typer av access:

Steg 2 — Tilldela RBAC-roller

Olika Azure RBAC-roller tilldelades till grupperna.

Exempel:

Rollerna sattes på Resource Group-nivå för att kunna analysera scope och access.

Steg 3 — Exportera RBAC-data

Efter att rollerna var på plats exporterades RBAC-information till JSON-format.

Filen innehöll exempelvis:

Exempel:

[ { "principalName": "vm-tech", "roleDefinitionName": "Virtual Machine Contributor", "scope": "/subscriptions/.../resourceGroups/RG-TEST-LAB" } ]

Filen sparades som:

example-rbac.json

Steg 4 — Skapa prompt till AI:n

En prompt skapades för att styra hur modellen skulle analysera RBAC-informationen.

Prompten instruerade modellen att:

Prompten sparades som:

prompt.txt

Steg 5 — Installera Ollama

För att köra AI-modellen lokalt installerades:

Modellen hämtades med:

ollama pull llama3

Steg 6 — Bygga PowerShell-script

Sedan skapades ett PowerShell-script som:

Script:

$prompt = Get-Content -Raw "prompt.txt" $data = Get-Content -Raw "example-rbac.json" $input = "$prompt `n`n RBAC DATA:`n$data" $input | ollama run llama3

Scriptet sparades som:

run-agent.ps1

Steg 7 — Köra analysen

Scriptet kördes via PowerShell:

.\run-agent.ps1

AI:n analyserade sedan:

Steg 8 — Resultat

Projektet gjorde det tydligare:

Det blev också tydligt att AI kan hjälpa till att analysera access snabbare, men att man fortfarande måste förstå RBAC och säkerhetsmodellen själv.

Möjliga nästa steg

Lärdomar