Ishigami-Erdna/Projeto_IAAPLI

# 入侵检测系统人工智能 (IDSAI)     本项目是作为波尔图高等工程学院（ISEP）应用人工智能（IAAPLI）课程的一部分开发的。 本存储库的目标是展示 *机器学习* 技术在网络安全中的应用。它包含一个完全动态的 **桌面应用程序**，充当实验沙盒，允许用户测试和比较不同的 ML 模型和分类策略，针对 **NSL-KDD** 网络流量数据集。 ## 关于本项目 该系统从标准数据科学脚本发展成为一个完整的软件架构。该应用程序不是硬编码一个单一的解决方案，而是训练了一个“工厂”的 **6 个不同的 AI 大脑**，并允许用户通过图形用户界面（GUI）实时切换它们，即时呈现性能指标和动态混淆矩阵。 ### 关键特性 * **模型对决（随机森林 vs. XGBoost）：** 比较了随机森林的稳健、并行架构与 XGBoost（通过编译的 C++ 二进制文件动态集成）的激进、高度精确的顺序架构。 * **三种分类策略：** 1. **二元分类：**（正常 vs. 攻击）- 在三种策略中提供最高的相对精度，作为有效的早期预警系统。 2. **家族分组：** 将攻击分类为 4 个主要的网络安全领域（*DoS、探测、R2L、U2R*）。 3. **多类分类：** 识别特定网络攻击的确切签名（例如，*Neptune、Smurf、Satan*）。 * **零日威胁处理与注入：** 解决监督学习算法的固有局限性。该系统具有一个专门的管道，将未知的攻击签名从测试数据集中隔离出来，将 50% 的样本注入到训练阶段。这允许对模型的真正分类精度进行公平评估，同时仍然在应用程序逻辑中保持一个稳健的“未知威胁”回退机制。 * **稳健的数据管道：** 具有定制的 `LabelEncoder` 状态管理，以防止在训练和现实世界推理之间转换时特征损坏和数据管道失忆。 * **独立可执行文件：** 通过 PyInstaller 打包成独立的 `.exe` 文件，无需 Python 环境即可无缝部署。 ## 使用的技术 * **语言：** Python 3.14 * **GUI/前端：** CustomTkinter，Matplotlib（FigureCanvasTkAgg），Seaborn * **后端/机器学习：** Scikit-Learn（`RandomForestClassifier`，`LabelEncoder`），XGBoost（`XGBClassifier`） * **数据处理：** Pandas，NumPy * **模型序列化：** Joblib * **打包：** PyInstaller ## 架构与文件结构 * `preparar_dados.py`：数据清洗脚本。在测试集中识别零日攻击，将其分割，并创建 `_modificado.txt` 数据集，以确保模型在评估之前可以学习新的签名。 * `treinador_ia.py`：后端“工厂”脚本。处理修改后的训练数据集，执行特征工程，训练所有 6 个模型变体，并将它们作为 `.pkl` 文件及其特定词汇表导出。 * `app.py`：前端图形用户界面。根据用户下拉选择动态加载预训练模型，评估修改后的测试文件，并生成分析仪表板。 * `app.exe`：编译好的、可直接使用的桌面应用程序（v1.1.0）。 ## 如何运行 **选项 1：运行可执行文件（无需安装）** 1. 导航到本存储库的 **发布** 部分，下载最新的 `v1.1.0` ZIP 文件。 2. 提取内容（确保 `app.exe` 与 `.pkl` 模型文件和 `.txt` 数据集位于同一目录）。 3. 双击 `app.exe`。 4. 选择您想要的 AI 引擎和策略。 5. 点击“选择要分析的文件”并加载测试数据集（例如，`KDDTest+_modificado.txt`，`KDDTest+.txt`）。 **选项 2：从源代码运行** 1. 克隆此存储库。 2. 安装依赖项：`pip install pandas numpy scikit-learn xgboost matplotlib seaborn customtkinter joblib` 3. 准备数据集（零日注入）：`python preparar_dados.py` 4. 运行工厂以生成模型：`python treinador_ia.py` 5. 启动应用程序：`python app.py` *由安德烈·科拉索和 Guilherme Franco - ISEP 开发*

标签：Apex, CustomTkinter, DNS枚举, NSL-KDD, PFX证书, Python, Scikit-Learn, XGBoost, 二分类, 人工智能, 人工智能应用, 入侵检测系统, 分类策略, 图形用户界面, 多分类, 安全数据湖, 工程应用, 攻击分类, 攻击检测, 攻击识别, 攻击防御, 教育项目, 数据科学, 无后门, 机器学习, 机器学习模型, 桌面应用程序, 模型比较, 混淆矩阵, 漏洞挖掘, 用户模式Hook绕过, 网络安全, 网络安全工具, 网络安全防御, 资源验证, 逆向工具, 随机森林, 隐私保护