ОБНОВЕНО · 03.10.2026

Одитен дневник на GX10: разказ с локален AI

Превръщаме суров одитен дневник в четим разказ: правила в SQL намират странното, локален модел го описва на човешки език, а готовият PDF носи отпечатък, за да се вижда дали е пипан. Данните не напускат машината.

⏱ 2–3 ч Средно GX10 NVIDIA GB10 · 128 GB обща памет PostgreSQL 18 · pgvector · Ollama

Docker · PostgreSQL 18 + pgvector🔒 локално Ollama (вектори и езиков модел)🔒 локално WeasyPrint (PDF)🔒 локално

🔄

ОБНОВЕНО · 03.10.2026 — какво

Урокът е преработен по текущите документи. Махнахме: твърденията за „оттеглен“ модел и за конкретен модел с име (не можем да ги докажем — сега пишем <име-на-модела>), PostgreSQL 16 (сега е 18), правилото CREATE RULE … DO INSTEAD NOTHING (то мълчаливо игнорира промените — заменено с тригер, който вдига грешка), публикуването на порта към цялата мрежа (сега само 127.0.0.1), паролата в командата (сега е във .env), разказа за клиент и вътрешните адреси. Поправихме: хешът на PDF не може да стои вътре в същия PDF — пазим хеш на съдържанието в текста и хеш на файла в отделен .sha256. Добавихме: проверка, че моделът не цитира несъществуващи събития, груба сметка за паметта, GDPR и бележка какво доказва и какво не доказва един хеш. Сверка 03.10.2026: сроковете на чл. 50 след „Digital Omnibus“ са проверени по AI Act Service Desk и ЕК — прилага се от 2.08.2026.

⚠️

Какво не сме пускали сами

Нямахме машина от класа GB10 и не пуснахме нито една команда или скрипт от урока — затова няма етикет „ТЕСТВАНО“. Не сме мерили скорост или качество на български текст. Размерът на вектора на BGE-M3 (1024) е по описанието на модела — скриптът го проверява. Бележката за електронен времеви печат (eIDAS) е обща и не е правно становище.

01Какво ще научиш

Как да превърнеш суров одитен дневник в четим разказ без данните да напускат машината.
Как да направиш таблица, в която записите могат само да се добавят (append-only), и защо тригерът е по-добър от правило.
Как правилата в SQL откриват странното, а моделът само го описва — и как да хванеш модела, когато измисля.
Как да направиш PDF с отпечатък (SHA-256) и какво той доказва и не доказва.
Как да направиш груба сметка дали един модел ще се събере в 128 GB обща памет.

02Преди да започнеш

Машина от класа NVIDIA GB10 (ASUS Ascent GX10, DGX Spark) с DGX OS. Върху нея Docker (предварително инсталиран по документацията на NVIDIA) и Python 3.10 или по-нов.
Ollama, инсталиран по официалната му документация. По подразбиране слуша само на 127.0.0.1:11434.
Основни познания по SQL. Нямаш нужда от реален дневник — ще ползваме измислени данни.
Свободно място на диска за образите и моделите (df -h).
Малко повече внимание за личните данни: одитните дневници съдържат потребителски имена и адреси — виж кутията по-долу.

💡

Груба сметка за паметта

Паметта на машината е обща — 128 GB за процесора и видеокартата. Теглата на модела заемат приблизително параметри × битове ÷ 8; отгоре идват кешът за контекста и самата система. Пример: 8 милиарда параметъра при 4 бита са около 4 GB; 70 милиарда при 4 бита — около 35 GB; 70 милиарда при 16 бита — около 140 GB, което не се събира. Това е сметка, не измерване — реалният размер на файла на модела е на страницата му в Ollama. Модел за разказа избери по такава сметка и го провери с Ollama.

⚠️

Лични данни и правна рамка (не е правен съвет)

Одитният дневник обикновено съдържа лични данни (потребители, IP адреси). Обработката по Регламент (ЕС) 2016/679 (GDPR) изисква основание, ограничаване на достъпа и срок за съхранение; сигурността на обработката е предмет на неговите принципи за цялост и поверителност и на изискванията за сигурност. Локалната обработка помага, но не заменя решение за срок, достъп и права на субектите. За договор, спор или проверка се консултирай с юрист и длъжностното лице по защита на данните, ако имаш такова.

03Стъпки

Какво строим и защо така

Четири части, всяка с една задача. Защо да не пуснем целия дневник в модела? Модел, който сам „открива“ аномалии, може да пропусне или да измисли. Затова търсенето е детерминирано (SQL), а моделът само обяснява вече намерените факти.

Част	Задача	Къде върви
PostgreSQL 18 + pgvector	Дневникът, само за добавяне; вектори за търсене по смисъл	Docker, достъпен само от машината
SQL правила	Нощен достъп, повтарящи се неуспешни опити, много адреси	В базата
Ollama	Вектори (bge-m3) и езиков модел за текста	Локално
WeasyPrint	PDF с отпечатък на съдържанието	Локално

База с pgvector (порт само към 127.0.0.1)

Паролата се генерира на място и стои във .env, не в командата. Образът е pgvector/pgvector:0.8.7-pg18 (към 03.10.2026 е публикуван за amd64 и arm64). Данните стоят в именуван том. Редът PGDATA пази старото място на данните при PostgreSQL 18, както в урок 04-01.
bash
```
mkdir -p ~/audit-narrative && cd ~/audit-narrative
echo "POSTGRES_PASSWORD=$(openssl rand -hex 24)" > .env
chmod 600 .env

docker run -d --name audit-db --restart unless-stopped \
  --env-file .env -e POSTGRES_USER=audit -e POSTGRES_DB=audit \
  -e PGDATA=/var/lib/postgresql/data \
  -p 127.0.0.1:5432:5432 \
  -v audit_db:/var/lib/postgresql/data \
  pgvector/pgvector:0.8.7-pg18
```
PostgreSQL 18 е текущата поддържана версия (18.6, поддръжка до 14.11.2030 по postgresql.org). Командата не е пускана от нас.

Таблиците: дневник само за добавяне

Ето защо тригер, а не правило: правилото DO INSTEAD NOTHING тихо игнорира UPDATE и DELETE — „успява“, без да направи нищо. Тригерът вдига грешка и записът се вижда. Отделен тригер хваща и TRUNCATE.

sql · schema.sql

-- schema.sql
CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE audit_log (
  id        bigint GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
  ts        timestamptz NOT NULL,
  actor     text        NOT NULL,
  action    text        NOT NULL,
  resource  text,
  outcome   text        NOT NULL CHECK (outcome IN ('ok','fail')),
  source_ip inet,
  details   text
);
CREATE INDEX ON audit_log (ts);
CREATE INDEX ON audit_log (actor, ts);

CREATE FUNCTION audit_log_readonly() RETURNS trigger
LANGUAGE plpgsql AS $$
BEGIN
  RAISE EXCEPTION 'audit_log е само за добавяне (append-only)';
END $$;

CREATE TRIGGER audit_log_no_change
  BEFORE UPDATE OR DELETE ON audit_log
  FOR EACH ROW EXECUTE FUNCTION audit_log_readonly();
CREATE TRIGGER audit_log_no_truncate
  BEFORE TRUNCATE ON audit_log
  FOR EACH STATEMENT EXECUTE FUNCTION audit_log_readonly();

CREATE TABLE audit_embeddings (
  log_id    bigint PRIMARY KEY REFERENCES audit_log(id),
  embedding vector(1024) NOT NULL
);
CREATE INDEX ON audit_embeddings USING hnsw (embedding vector_cosine_ops);

Зареди го и провери, че промяната е забранена:

bash

docker exec -i audit-db psql -U audit -d audit < schema.sql
docker exec -i audit-db psql -U audit -d audit -c "DELETE FROM audit_log;"

⚠️

Тригерът не е крепост

Собственикът на таблицата и суперпотребителят могат да махнат тригера. В реална среда приложението се свързва с роля само с права за INSERT и SELECT, а копия се пазят на друго място. Тригерът е предпазител срещу грешки, не срещу злонамерен администратор.

Измислени данни за проба

Адресите 198.51.100.x са блок, запазен за документация. Данните имат три „странни“ неща: четири неуспешни входа за няколко минути, нощен достъп и един потребител с повече от два адреса.

sql · seed.sql

-- измислени данни: 198.51.100.x е адресен блок за документация
INSERT INTO audit_log (ts, actor, action, resource, outcome, source_ip, details)
SELECT timestamptz '2026-09-30 09:00+03' + g * interval '17 minutes',
       'user_a', 'view', 'report-' || g, 'ok', ('198.51.100.' || 1)::inet, 'преглед на справка'
FROM generate_series(1, 6) g;

INSERT INTO audit_log (ts, actor, action, resource, outcome, source_ip, details)
SELECT timestamptz '2026-09-30 23:10+03' + g * interval '2 minutes',
       'user_b', 'login', 'portal', 'fail', ('198.51.100.' || (10 + g))::inet, 'неуспешен вход'
FROM generate_series(1, 4) g;

INSERT INTO audit_log (ts, actor, action, resource, outcome, source_ip, details)
VALUES ('2026-10-01 02:30+03', 'user_b', 'download', 'export-archive', 'ok', ('198.51.100.' || 99)::inet, 'нощно изтегляне');

bash

docker exec -i audit-db psql -U audit -d audit < seed.sql

Вектори с Ollama и търсене по смисъл

Теглим модела за вектори (bge-m3: 567 милиона параметъра, 1,2 GB, лиценз MIT, до 8192 токена — по страницата му в Ollama). Скриптът проверява, че векторът има размера на колоната — ако смениш модела, размерът ще е друг.

bash

curl -s http://127.0.0.1:11434/api/version
ollama pull bge-m3
pip install httpx "psycopg[binary]" weasyprint
set -a; source .env; set +a
python index_embeddings.py

python · index_embeddings.py

# index_embeddings.py
import os, httpx, psycopg

OLLAMA = "http://127.0.0.1:11434"
DSN = ("host=127.0.0.1 dbname=audit user=audit "
       f"password={os.environ['POSTGRES_PASSWORD']}")

def embed(texts):
    r = httpx.post(f"{OLLAMA}/api/embed",
                   json={"model": "bge-m3", "input": texts}, timeout=300)
    r.raise_for_status()
    return r.json()["embeddings"]

with psycopg.connect(DSN) as conn:
    rows = conn.execute("""
        SELECT l.id, concat_ws(' ', l.actor, l.action, l.resource, l.outcome, l.details)
        FROM audit_log l LEFT JOIN audit_embeddings e ON e.log_id = l.id
        WHERE e.log_id IS NULL ORDER BY l.id LIMIT 200""").fetchall()
    if rows:
        vecs = embed([t for _, t in rows])
        assert all(len(v) == 1024 for v in vecs), "размерът на вектора не съвпада с колоната"
        for (log_id, _), v in zip(rows, vecs):
            conn.execute(
                "INSERT INTO audit_embeddings (log_id, embedding) VALUES (%s, %s::vector)",
                (log_id, "[" + ",".join(map(str, v)) + "]"))
    print("индексирани:", len(rows))

    # най-близки по смисъл събития до събитие 1
    near = conn.execute("""
        SELECT l.id, l.actor, l.action, l.details
        FROM audit_embeddings e JOIN audit_log l ON l.id = e.log_id
        ORDER BY e.embedding <=> (SELECT embedding FROM audit_embeddings WHERE log_id = 1)
        LIMIT 5""").fetchall()
    for n in near: print(n)

Командите и скриптът не са пускани от нас. Търсенето по смисъл е помощно — разказът по-долу се гради само на SQL фактите.

Правилата за аномалии в SQL

Три прости правила. Те са откритията; моделът няма право да добавя свои. Часовата зона е часът на потребителя (Europe/Sofia) — смени я при нужда. Съберени са в скрипта по-долу.

sql

-- 1. достъп през нощта (22:00-06:00 местно време)
SELECT id, ts, actor, action, resource FROM audit_log
WHERE ts >= '2026-09-30' AND ts < '2026-10-02'
  AND (extract(hour FROM ts AT TIME ZONE 'Europe/Sofia') >= 22
    OR extract(hour FROM ts AT TIME ZONE 'Europe/Sofia') < 6)
ORDER BY ts;

-- 2. три или повече неуспешни опита на един потребител за 15 минути
SELECT actor, date_bin('15 minutes', ts, timestamptz '2026-01-01') AS slot,
       count(*) AS failed, array_agg(id ORDER BY ts) AS ids
FROM audit_log
WHERE ts >= '2026-09-30' AND ts < '2026-10-02' AND outcome = 'fail'
GROUP BY actor, slot HAVING count(*) >= 3;

-- 3. повече от два различни адреса на един потребител за денонощие
SELECT actor, (ts AT TIME ZONE 'Europe/Sofia')::date AS day,
       count(DISTINCT source_ip) AS addresses
FROM audit_log
WHERE ts >= '2026-09-30' AND ts < '2026-10-02'
GROUP BY actor, day HAVING count(DISTINCT source_ip) > 2;

Разказът и PDF с отпечатък

Скриптът събира фактите, праща ги на локалния модел с ниска „температура“ (0,1), проверява дали всяко цитирано [#id] съществува и чак тогава прави PDF. Вместо име на модел пиши твоя избор (виж сметката за паметта; за локален модел на GB10 виж и урок 04-217). Качеството на български не сме измервали — прочети резултата.

python · narrative.py

# narrative.py
import os, sys, re, json, hashlib, html
import httpx, psycopg
from psycopg.rows import dict_row
from weasyprint import HTML

OLLAMA = "http://127.0.0.1:11434"
MODEL = os.environ.get("NARRATIVE_MODEL", "<име-на-модела>")
DSN = ("host=127.0.0.1 dbname=audit user=audit "
       f"password={os.environ['POSTGRES_PASSWORD']}")
SYSTEM = (
    "Ти си помощник за одитен преглед. Пишеш САМО по подадените факти във формат JSON. Не измисляй имена, часове, числа и събития. Всяко събитие, което споменаваш, посочвай като [#id]. Пиши четири раздела с тези заглавия: ВЪВЕДЕНИЕ, ХРОНОЛОГИЯ, АНОМАЛИИ, ЗАКЛЮЧЕНИЕ. Не правиш изводи за вина и не даваш правни оценки.")

QUERIES = {
    "night": """-- 1. достъп през нощта (22:00-06:00 местно време)
SELECT id, ts, actor, action, resource FROM audit_log
WHERE ts >= %(a)s AND ts < %(b)s
  AND (extract(hour FROM ts AT TIME ZONE 'Europe/Sofia') >= 22
    OR extract(hour FROM ts AT TIME ZONE 'Europe/Sofia') < 6)
ORDER BY ts;""",
    "failed": """-- 2. три или повече неуспешни опита на един потребител за 15 минути
SELECT actor, date_bin('15 minutes', ts, timestamptz '2026-01-01') AS slot,
       count(*) AS failed, array_agg(id ORDER BY ts) AS ids
FROM audit_log
WHERE ts >= %(a)s AND ts < %(b)s AND outcome = 'fail'
GROUP BY actor, slot HAVING count(*) >= 3;""",
    "addresses": """-- 3. повече от два различни адреса на един потребител за денонощие
SELECT actor, (ts AT TIME ZONE 'Europe/Sofia')::date AS day,
       count(DISTINCT source_ip) AS addresses
FROM audit_log
WHERE ts >= %(a)s AND ts < %(b)s
GROUP BY actor, day HAVING count(DISTINCT source_ip) > 2;""",
}

def collect(conn, a, b):
    p = {"a": a, "b": b}
    facts = {"period": [a, b]}
    facts["events"] = conn.execute(
        "SELECT id, ts, actor, action, resource, outcome FROM audit_log "
        "WHERE ts >= %(a)s AND ts < %(b)s ORDER BY ts LIMIT 300", p).fetchall()
    for name, q in QUERIES.items():
        facts[name] = conn.execute(q, p).fetchall()
    return facts

def narrate(facts):
    r = httpx.post(f"{OLLAMA}/api/chat", timeout=900, json={
        "model": MODEL, "stream": False, "options": {"temperature": 0.1},
        "messages": [
            {"role": "system", "content": SYSTEM},
            {"role": "user", "content": json.dumps(facts, ensure_ascii=False, default=str)}]})
    r.raise_for_status()
    return r.json()["message"]["content"]

def validate(text, facts):
    known = {e["id"] for e in facts["events"]}
    cited = {int(x) for x in re.findall(r"\[#(\d+)\]", text)}
    bad = cited - known
    if bad:
        raise SystemExit(f"Моделът цитира несъществуващи събития: {sorted(bad)}")

def to_pdf(text, facts, path):
    payload = json.dumps({"facts": facts, "narrative": text},
                         sort_keys=True, ensure_ascii=False, default=str)
    content_hash = hashlib.sha256(payload.encode()).hexdigest()
    page = (f"<html lang='bg'><body style='font-family: sans-serif'>"
            f"<h1>Одитен разказ</h1><pre style='white-space: pre-wrap'>{html.escape(text)}</pre>"
            f"<p style='font-size: 9pt'>Съставен с AI от подадени факти; прегледан от човек: ______. SHA-256 на съдържанието: {content_hash}</p></body></html>")
    HTML(string=page).write_pdf(path)
    file_hash = hashlib.sha256(open(path, "rb").read()).hexdigest()
    open(path + ".sha256", "w").write(f"{file_hash}  {os.path.basename(path)}\n")

if __name__ == "__main__":
    a, b = sys.argv[1], sys.argv[2]
    with psycopg.connect(DSN, row_factory=dict_row) as conn:
        facts = collect(conn, a, b)
    text = narrate(facts)
    validate(text, facts)
    to_pdf(text, facts, "report.pdf")
    print("report.pdf + report.pdf.sha256")

bash

export NARRATIVE_MODEL="<име-на-модела>"
ollama pull "$NARRATIVE_MODEL"
python narrative.py 2026-09-30 2026-10-02
sha256sum -c report.pdf.sha256

Ако в PDF вместо букви виждаш квадрати, инсталирай шрифт с кирилица (препоръка от документацията на WeasyPrint 70.0, която иска Python 3.10+ и Pango 1.44+).

✅

Какво доказва отпечатъкът — и какво не

SHA-256 показва, че файлът не е променян от момента, в който отпечатъкът е записан на сигурно място. Не доказва кога е създаден, от кого и че съдържанието е вярно. За стойност пред трети страни се гледат квалифициран електронен времеви печат и подпис по Регламент (ЕС) № 910/2014 (eIDAS) — ⚠️ не сме го проверявали в детайли; питай юрист. Пази .sha256 на друго място от PDF.

Преглед от човек и означение

Разказът е чернова. Човек го чете срещу самите събития, подписва и чак тогава го ползва. Означи в документа, че е съставен с AI. Задълженията за прозрачност по чл. 50 от Регламент (ЕС) 2024/1689 (AI Act) зависят от случая. Проверено на 03.10.2026 по графика на прилагането в AI Act Service Desk и съобщението на ЕК „AI Omnibus enters into force“: Регламент (ЕС) 2026/1744 („Digital Omnibus“ за AI) е в сила от 27.07.2026 и не отлага чл. 50 — правилата за прозрачност се прилагат от 2.08.2026. Виж и консолидирания текст в EUR-Lex. Като добра практика означението е полезно и за вътрешен документ.