VibhutiNair24/Cyber-Threat-Intelligence-Network-Attack-Analytics-Dashboard

# 🛡️ 网络威胁情报与网络攻击分析仪表板 ## 📊 使用数据可视化进行的高级网络安全分析 ## 👩‍💻 作者 **Vibhuti Nair** 🎓 MCA 毕业生 (一等优异生) 📊 有抱负的数据分析师 | 数据科学家 本项目展示了如何使用 **Microsoft Power BI** 进行数据分析，以分析网络安全威胁并将复杂的网络日志转化为可操作的洞察。 # 🌍 项目概述 网络攻击会产生海量的网络数据，这使得安全团队难以快速识别模式和威胁。 本项目构建了一个 **交互式网络威胁情报仪表板**，分析了 **40,000 条网络攻击记录**，旨在检测： - 攻击模式 - 异常行为 - 脆弱的网段 - 防御系统的有效性 其目标是模拟 **安全运营中心 (SOC)** 如何监控网络威胁。 # 🎯 项目目标 本项目的主要目标是构建一个 **数据驱动的网络威胁情报仪表板**，能够： - 🔍 识别网络攻击模式 - 📈 监控网络攻击趋势 - 🧠 检测网络流量中的异常 - 🌐 了解攻击的地理分布 - 🛡️ 评估安全防御的有效性 # 🚨 本项目解决的 15 个网络安全问题 1️⃣ 缺乏对网络攻击总数的可见性 2️⃣ 难以识别主要的攻击类型 3️⃣ 对攻击严重等级缺乏清晰的认识 4️⃣ 对受攻击网段了解有限 5️⃣ 对随时间变化的攻击趋势可见性差 6️⃣ 难以识别异常流量行为 7️⃣ 缺乏对基于协议的漏洞的洞察 8️⃣ 无法分析防火墙日志的影响 9️⃣ 对异常检测分数的理解不足 🔟 对攻击特征的洞察有限 1️⃣1️⃣ 难以识别频繁被攻击的用户 1️⃣2️⃣ 缺乏安全警报的集中监控 1️⃣3️⃣ 缺乏对已采取防御行动的可视化 1️⃣4️⃣ 无法分析攻击的地理分布 1️⃣5️⃣ 难以衡量安全响应的有效性 # 📂 数据集 数据集来源于 **Kaggle** ### 数据集详情 - **40,000 条记录** - **25 个属性** ### 关键字段 - Timestamp (时间戳) - Protocol (协议) - Packet Length (数据包长度) - Traffic Type (流量类型) - Attack Type (攻击类型) - Attack Signature (攻击特征) - Severity Level (严重等级) - Firewall Logs (防火墙日志) - IDS/IPS Alerts (IDS/IPS 警报) - Geo-Location (地理位置) # ⚙️ 分析工作流 ### 1️⃣ 数据提取 从 Kaggle 导入数据集。 ### 2️⃣ 数据转换 - 删除重复项 - 处理空值 - 提取 **Year (年), Month (月), Hour (小时)** - 创建计算指标 ### 3️⃣ 数据建模 为关键指标创建了 DAX 度量值，例如： - Total Attacks (总攻击数) - High Severity Threats (高严重性威胁) - Attacks Blocked (已拦截攻击) - Alerts Generated (已生成警报) # 📊 仪表板架构 本项目包含 **5 个分析仪表板**。 # 📊 仪表板架构 本项目包含 **五个分析仪表板**，每个仪表板旨在分析网络安全威胁和网络攻击行为的不同方面。这些仪表板有助于将原始网络日志转化为有意义的视觉洞察，以便更好地进行威胁检测和安全分析。 ## 1️⃣ 威胁情报摘要 此仪表板提供了 **整个网络安全数据集的高层概览**，重点展示了总攻击量、异常分数、严重程度分布和受攻击用户。 它充当了类似于 **安全运营中心 (SOC)** 的 **中央监控屏幕**，分析师可以在此快速了解当前的威胁态势。

## 2️⃣ 协议与网络流量分析 此仪表板专注于 **网络级行为**，分析网络攻击中涉及的不同通信协议、流量类型和网络段。 它有助于识别 **协议漏洞和异常流量模式**，使分析师能够及早检测到可疑的网络活动。

## 3️⃣ 网络攻击行为分析 此仪表板分析 **随时间变化的攻击行为模式**，有助于识别网络威胁是如何演变的。 它突出了攻击频率、异常模式和行为趋势，帮助安全团队检测 **可疑的峰值或异常攻击活动**。

## 4️⃣ 威胁情报分析 此仪表板专注于 **攻击特征、警报日志和威胁指标**。 它有助于识别 **频繁出现的攻击特征和安全警报**，从而进行更深入的威胁情报分析并更好地了解攻击者的策略。

## 5️⃣ 网络防御与预防 此仪表板评估 **安全响应的有效性**，包括防火墙日志、IDS/IPS 警报和针对攻击采取的行动。 它提供了有关 **多少攻击被拦截、监控或缓解** 的洞察，有助于衡量网络安全防御的有效性。

--- # 📈 关键洞察 - **分析了 40,000 起网络攻击事件** - **检测到 13,000+ 个高严重性威胁** - **成功拦截了 13,529 次攻击** - **平均异常分数约为 50** - **32,389 个唯一用户成为攻击目标** # 🧠 展示的技能 ✔ 数据分析 ✔ 数据可视化 ✔ 网络安全数据分析 ✔ Power BI 仪表板设计 ✔ ETL 工作流 # 🔮 未来范围 可以通过集成以下内容进一步扩展本项目： - 🤖 机器学习攻击预测 - 📡 实时网络监控 - 🔐 基于人工智能的入侵检测系统 - ☁️ 云安全分析 - ⚡ 自动化威胁情报平台 # 💡 潜在扩展功能 ✔ 与 SIEM 工具集成 ✔ 使用 Kafka 进行实时数据流传输 ✔ 基于 Python 的异常检测模型 ✔ 使用机器学习算法进行威胁预测 ✔ 自动警报通知系统 # ⭐ 项目意义 网络安全分析正成为数据科学最关键的应用领域之一。本项目展示了数据分析如何将原始安全日志转化为可操作的威胁情报。 它展示了数据分析师如何通过揭示模式、检测异常和可视化复杂的威胁态势，为网络安全防御系统做出贡献。 # 🌟 结语 本项目代表了我致力于应用数据分析解决现实世界技术挑战的承诺。通过将网络安全知识与可视化分析相结合，这项工作展示了如何将数据转化为保护数字基础设施的强大情报。 ⭐ **如果您觉得这个项目有趣，欢迎给仓库加星 (star)！**

标签：AMSI绕过, Beacon Object File, CISA项目, IP 地址批量处理, MCA项目, PE 加载器, Power BI, 代码示例, 仪表盘, 可视化分析, 威胁情报, 威胁检测, 安全运营中心, 开发者工具, 异常检测, 插件系统, 数据分析, 数据库接管, 数据科学, 网络安全, 网络安全监控, 网络攻击分析, 网络日志分析, 网络映射, 网络流量分析, 资源验证, 配置错误, 防御机制评估, 隐私保护, 驱动开发