shrihari7396/Pdf-Malware-Detection-System

# 🛡️ PDF 恶意软件检测系统 ### 机器学习 + AI 驱动的 PDF 风险分析器 ### Spring Boot 后端 | 本地 Ollama LLM | Streamlit 前端 ## 📌 概述 本系统采用混合方法分析 **PDF 文件是否包含恶意软件**，该方法结合了： 1. **机器学习模型 (Python)** → 预测*恶意 / 良性* 2. 使用 **PDFBox (Java)** 进行 **PDF 结构特征提取** 3. 通过 **本地 Ollama 模型** 生成 **基于 AI LLM 的分析** 4. **Streamlit 前端** → 上传文件并显示 HTML 报告 系统生成： - ML 预测 - 置信度得分 - 提取的 PDF 特征 - AI 生成的恶意软件分析报告 (HTML) - 在 Streamlit UI 中渲染的精美报告 # ⭐ 功能 - 📄 PDF 特征提取（元数据、对象、脚本、加密、页面数据） - 🧠 基于 ML 的恶意软件预测（`malicious`、`benign`） - 🤖 通过 **Ollama** 生成 LLM 驱动的 HTML 分析 - 🔐 采用 Base64 编码的 HTML 响应以确保安全 - 🎨 针对深色模式用户固定浅色背景的 Streamlit UI - ⚡ 使用轻量级本地模型优化，响应时间 < 15 秒 - 🧱 模块化、可扩展、可延伸的架构 # 🏗️ 系统架构 ``` [Streamlit UI] │ Upload PDF ▼ [Spring Boot Backend] ├── PdfFeatureExtractor (PDFBox) ├── PythonPredictClient (WebClient → Python ML API) ├── AiAnalysisBuilderService (merges ML + metadata) ├── AiService (WebClient → Ollama LLM) ▼ [Local Ollama Model] │ Returns HTML (Base64) ▼ [Streamlit → Base64 Decode → Display HTML Report] ``` # 📂 项目结构 ``` backend/ ├── controller/ ├── service/ │ ├── PdfFeatureExtractor.java │ ├── PythonPredictClient.java │ ├── AiAnalysisBuilderService.java │ ├── AiService.java ├── dtos/ │ ├── AIAnalysisRequest.java │ ├── PredictionResponse.java ├── config/ │ ├── WebFluxConfig.java ├── application.yml frontend/ └── app.py (Streamlit UI) ``` # ⚙️ 使用的技术 | 组件 | 技术 | |----------|------------| | ML 模型 | Python, Scikit-Learn, Pickle | | LLM | Ollama (Llama, Mistral, Qwen, Phi3, Gemma) | | 后端 | Spring Boot (Java 21) | | PDF 解析 | Apache PDFBox | | 网络 | Spring WebClient | | 前端 | Streamlit | | 编码 | Base64 | | 输出格式 | HTML | # 🚀 设置与安装 ## 1️⃣ 安装 Ollama 下载：**https://ollama.com/download** 推荐的快速模型： ``` ollama pull phi3:3b ollama pull qwen2.5:3b ollama pull gemma3:latest ``` 运行模型： ``` ollama run gemma3 ``` ## 2️⃣ 克隆仓库 ``` git clone https://github.com/shrihari7396/pdf-malware-analysis.git cd pdf-malware-analysis ``` ## 3️⃣ 后端 (Spring Boot) ### 安装 Java 21 确保已安装 Java 21。 ### 配置 `application.yml` ``` server: port: 8081 python: predict: url: http://localhost:5000/predict ai: analysis: url: http://localhost:8082/api/v1/ai/analyze ``` ### 运行后端 ``` ./mvnw spring-boot:run ``` 后端运行地址： ``` http://localhost:8081 ``` ## 4️⃣ ML 预测服务器 (Python) 运行： ``` python app.py ``` ML API endpoint： ``` POST /predict ``` ## 5️⃣ Streamlit 前端 ``` cd frontend streamlit run app.py ``` 前端打开地址： ``` http://localhost:8501 ``` # 🔍 API 文档 ## 📌 1. `/scan` (主要 Endpoint) ``` POST http://localhost:8081/api/v1/scan Content-Type: multipart/form-data ``` ### 请求： 上传一个 PDF 文件。 ### 响应 (`PredictionResponse`)： ``` { "prediction": "malicious", "confidence": 0.998, "features": { ... }, "explanation": { ... }, "htmlAnalysis": "BASE64_STRING" } ``` ## 📌 2. `/ai/analyze` ``` POST http://localhost:8082/api/v1/ai/analyze ``` ### 请求体 (`AIAnalysisRequest`)： ``` { "prediction": "...", "confidence": 0.58, "features": { ... }, "extractedText": "...", "metadata": { ... }, "fileName": "sample.pdf", "fileSize": 12345 } ``` ### 响应： Base64 编码的 HTML 字符串。 # 🧠 优化后的 LLM Prompt ``` Generate a clean HTML malware report inside a single