Arisha18-glitch/Network-Detection

# 基于AI的网络检测与诊断系统 ## 概述 基于AI的网络检测与诊断系统是一个全栈式Web应用程序，旨在使用基于AI的规则逻辑和模式检测技术实时检测和分析异常网络活动。该系统完全在**localhost**上运行，旨在用于开发、测试和学术演示。 该应用程序使用基于**Flask的后端**和**纯HTML、CSS和JavaScript前端**，以提供用于监控网络行为、警报和系统健康的交互式仪表板。 ## 功能 * **基于AI的检测** 基于规则的逻辑来识别异常网络模式，如DDoS攻击、端口扫描、暴力破解尝试和一般异常流量。 * **交互式仪表板** 响应式Web界面，用于实时监控网络事件和警报。 * **优化数据可视化** 在模态窗口中显示图表，以保持干净且空间高效的仪表板布局。 * **实时指标** 显示活动警报、流量统计、检测到的异常和系统健康指标。 * **警报管理** 警报的表格视图，包括严重性、状态和可用的操作。 * **系统监控** 持续的后台分析，包括事件日志和系统状态跟踪。 * **模块化架构** 清晰分离的后端、前端和数据模型，以提高可维护性和可扩展性。 ## 项目结构 ``` network-detection-system/ ├── src/ │ ├── database.py │ ├── detection_engine.py │ ├── main.py │ ├── models/ │ ├── routes/ │ └── static/ │ ├── index.html │ ├── styles.css │ └── script.js ├── venv/ ├── requirements.txt └── README.md ``` ## 要求 * Python 3.8或更高版本 * pip（Python包管理器） * Visual Studio Code（推荐） ## 本地设置和执行 ### 1. 解压项目 ``` tar -xzf network-detection-system-enhanced-final.tar.gz cd network-detection-system ``` ### 2. 在VS Code中打开 ``` code . ``` ### 3. 创建虚拟环境 ``` python -m venv venv ``` 激活环境： **Windows** ``` venv\Scripts\activate ``` **Linux / macOS** ``` source venv/bin/activate ``` ### 4. 安装依赖项 ``` pip install -r requirements.txt ``` ### 5. 运行应用程序 ``` python src/main.py ``` ### 6. 访问仪表板 打开浏览器并导航到： ``` http://127.0.0.1:5000 ``` ## 可选：使用Docker在本地执行 该应用程序也可以使用Docker在本地执行，以确保环境一致性。此选项仅限于**localhost执行**，不涉及任何云或生产部署。 当使用Docker时： * 应用程序在容器内运行 * 端口`5000`暴露给localhost * 访问仍然是`http://127.0.0.1:5000` ## 范围 * 仅localhost执行 * 无云或生产部署 * 适用于学术项目、本地测试和演示 ## 故障排除 **导入错误** * 确保虚拟环境已激活 * 从项目根目录运行应用程序 **仪表板未更新** * 验证`detection_engine.py`是否在后台线程中运行 * 确保它不会阻塞Flask请求处理 **图表未显示** * 确认Chart.js CDN的互联网连接 * 验证`index.html`中JavaScript文件的正确链接 ## 部署通知 此项目不包括生产或云部署。描述的任何执行方法，包括Docker，都严格限于**localhost使用**。

标签：AI异常检测, CMS安全, CSS, DDoS攻击, Flask, HTML, JavaScript, MongoDB, Python, URL发现, WSL, 云计算, 后端开发, 多模态安全, 学术演示, 安全检测, 开发测试, 情报分析, 数据可视化, 数据统计, 无后门, 模块化架构, 模式识别, 端口扫描, 系统健康, 网络诊断, 规则引擎, 逆向工具