Runtime-Slayers/DefenseNet
GitHub: Runtime-Slayers/DefenseNet
基于图神经网络的军事级网络威胁检测系统研究 pipeline，提供从数据预处理到模型训练与评估的完整实验框架。
Stars: 1 | Forks: 0
# 🎖️ 军事级训练系统 - 完整套件
[](https://creativecommons.org/licenses/by-nc-nd/4.0/)
本仓库实现了 **🎖️ 军事级训练系统 - 完整套件** 项目的研究 pipeline，该项目由 Runtime-Slayers 研究小组开发。
## 📊 Pipeline 架构
下方的流程图展示了本项目所采用的方法论和执行顺序：
```
graph TD
subgraph Data Engineering
A["Raw Input Datasets"] --> B["Data Preprocessing & Normalisation"]
B --> C["Feature Engineering & Selection"]
end
subgraph Model Architecture
C --> D["Multi-Model Comparative Training"]
D --> E["Validation via Stratified CV"]
E --> F["Hyperparameter Tuning & Threshold Optimization"]
end
subgraph Inference & Metrics
F --> G["Final Classification / Regression Performance Reports"]
end
```
## 🔍 摘要与研究背景
## 📊 关键评估指标
完整的实验表格请参见详细的项目报告。
## 📁 仓库结构
项目目录包含以下核心结构：
- `code/` — Pipeline 执行脚本和模型训练模块
- `figures/` — 由 pipeline 生成的图表和可视化结果
- `validation/` — 自动化测试指标和结果
- `requirements_kaggle.txt`
- `requirements.txt`
- `COMPLETE_CHECKLIST.md`
- `KAGGLE_TRAINING_GUIDE.md`
- `generate_military_dataset.py`
- `tests`
- `KAGGLE_COMPLETE_TRAINING.py`
- `TRAINING_SUMMARY.md`
- `README_MILITARY.md`
- `.gitignore`
- `KAGGLE_NOTEBOOK.py`
- `.history-memo`
- `configs`
- `simulations`
- `DEFENSE_NET_FIELDMARSHAL.py`
- `main.py`
- `test_main.py`
- `train_military_grade.py`
- `load_trained_model.py`
- `SECURITY.md`
- `src`
- `paper.pdf` — 编译后的研究手稿
- `README.md` — 项目文档和设置指南
## 🚀 设置与使用
### 前置条件
* Python 3.8 或更高版本
* Pip 包管理器
### 安装说明
1. 克隆此仓库：
git clone https://github.com/Runtime-Slayers/DefenseNet.git
cd DefenseNet
2. 安装依赖项：
pip install -r requirements.txt
### 运行分析
要运行主要的分析 pipeline 并重新生成所有模型、图表和指标：
```
python code/*.py
```
*(有关特定的 pipeline 执行文件，请查看 `code/` 目录)*
## 📄 许可证与版权
本作品采用 [知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议](https://creativecommons.org/licenses/by-nc-nd/4.0/) 进行授权。
© 2026 Runtime-Slayers / Bhavanam Rajendra Reddy 等。保留所有权利。
标签：Apex, 图神经网络, 威胁情报, 开发者工具, 机器学习, 网络安全, 逆向工具, 隐私保护