Shuchi-Anush/cybersentinel-ai
GitHub: Shuchi-Anush/cybersentinel-ai
基于 CIC-IDS2017 数据集构建的端到端机器学习入侵检测与零信任决策系统，提供 FastAPI 推理服务和实时安全分析面板。
Stars: 1 | Forks: 0
# 🛡️ CyberSentinel-AI
零信任入侵检测与决策系统
从原始网络流量 → 实时智能安全行动
## ⚡ 5 秒钟概述
CyberSentinel-AI 不仅仅是一个 IDS。
它是一个**零信任决策引擎**，将网络流量转换为：
🟢 允许 🔵 监控 🟠 提升认证 🟡 隔离 🔴 拒绝
—— 全自动、瞬间且智能地完成。
## 🚨 问题
传统的 IDS 系统：
- 检测威胁，但 ❌ 无法执行决策
- 无法抵御 ❌ 零日攻击
- 需要 ❌ 人工干预
- 导致 ❌ 告警疲劳
## 💡 解决方案
CyberSentinel-AI 引入了**闭环安全系统**：
检测 → 信任评估 → 策略执行 → 行动
## 🚀 核心差异
| 能力 | 典型 ML 项目 | CyberSentinel-AI |
| ----------- | ----------------- | ------------------ |
| 范围 | 仅模型 | 完整系统 |
| 输出 | 预测 | 决策 + 行动 |
| 智能 | 静态 | 上下文感知 |
| 运行时 | Notebook | API + Dashboard |
| 安全性 | 检测 | 零信任执行 |
## 🏛️ 架构
## 🧠 核心 Pipeline
网络流量输入
↓
特征验证 (40 个特征)
↓
二元分类器 (良性 / 攻击)
↓
多分类器 (攻击类型)
↓
信任引擎 (多信号)
↓
策略引擎
↓
最终决策 → 允许 / 监控 / 提升认证 / 隔离 / 拒绝
## 🧠 零信任引擎
### 🔬 信任分数公式
信任分数 = 0.5 × 置信度
+ 0.3 × 边界幅度
+ 0.2 × 异常信号
### 📊 风险映射
| 信任分数 | 风险等级 |
| ----------- | ---------- |
| ≥ 0.70 | 🟢 低 |
| 0.40 – 0.69 | 🟡 中 |
| < 0.40 | 🔴 高 |
## 🛡️ 策略引擎 (决策层)
| 预测 | 置信度 | 行动 | 风险 |
| ---------- | ---------- | ------ | ---- |
| 攻击 | ≥ 0.85 | 🔴 拒绝 | 高 |
| 攻击 | 0.50–0.84 | 🟡 隔离 | 高/中 |
| 攻击 | < 0.50 | 🟠 提升认证 | 中 |
| 正常 | ≥ 0.80 | 🟢 允许 | 低 |
| 正常 | 0.65–0.79 | 🔵 监控 | 中 |
| 正常 | < 0.65 | 🟠 提升认证 | 中 |
## 🖥️ Dashboard (SOC 界面)
运行：
streamlit run src/dashboard/app.py
### 功能
- ⚡ 威胁模拟器
- 🔬 手动流量测试
- 📁 批量 CSV 分析
- 📡 JSON 输入支持
- 📊 概率可视化
- 🧠 可解释的决策
## 🔌 API 层
运行：
uvicorn src.api.main:app --reload
### Endpoints
| Endpoint | 描述 |
| -------- | ----------- |
| /predict | 单个流量决策 |
| /predict/batch | 批量决策 |
| /meta/features | 特征 schema |
| /meta/models | 模型元数据 |
| /meta/policy | 策略规则 |
| /health | 健康检查 |
## 📊 响应示例
{
"prediction": "Attack",
"attack_type": "DDoS",
"confidence_score": 0.9985,
"trust_score": 0.94,
"metadata": {
"action": "DENY",
"risk_level": "HIGH",
"margin": 0.91,
"attack_proba": {
"DDoS": 0.998,
"PortScan": 0.001
}
}
}
## 📁 项目结构
cybersentinel-ai/
├── src/
│ ├── api/
│ ├── core/
│ ├── inference/
│ ├── dashboard/
├── configs/
├── artifacts/
├── models/ (忽略)
├── data/ (忽略)
├── docs/
## 🎯 场景 Pipeline
python -m scripts.scenario_extractor
python -m scripts.scenario_validator
✔ 数据驱动
✔ 无硬编码
✔ 模型已验证
## 🧪 测试
pytest tests/ --tb=short
## 🐳 Docker
docker build -t cybersentinel-ai .
docker run -p 8000:8000 cybersentinel-ai
## 🔐 设计原则
- 模块化架构
- 配置驱动系统
- 无硬编码路径
- 生产优先设计
- 可解释 AI
## 🚀 核心洞察
预测 → 信任 → 决策 → 行动
## 👨💻 作者
Shuchi Anush S
## 📜 许可证
MIT License
## 🏁 状态
✅ 生产就绪标签：Apex, AV绕过, FastAPI, Kubernetes, 入侵检测系统, 安全数据湖, 安全规则引擎, 机器学习, 网络流量分析, 请求拦截, 逆向工具, 零信任网络