Vishwas-20/AI-Malware-Analysis-System
GitHub: Vishwas-20/AI-Malware-Analysis-System
基于 AI 和沙箱技术的恶意软件动态行为分析系统，提供风险评分、MITRE ATT&CK 映射和可视化仪表板，适合安全研究和教学场景。
Stars: 0 | Forks: 0
# 🛡️ 基于 AI 的恶意软件行为分析系统
## 📌 概述
本项目是一个基于 AI 的恶意软件分析系统，用于在受控的沙箱环境中分析文件的行为。
它监控系统活动，例如进程创建、文件更改和网络流量，以检测潜在威胁。
该系统使用机器学习将行为分类为恶意或安全，并提供风险评分以及 MITRE ATT&CK 映射。
## ❗ 问题陈述
传统的杀毒软件系统通常无法检测新的或未知的恶意软件。
本项目通过使用基于 AI 的技术动态分析系统行为来检测潜在威胁，从而解决这一问题。
## 🚀 关键特性
- 🔍 基于行为的恶意软件检测
- ⚙️ 进程、文件和网络监控
- 🤖 机器学习分类 (Random Forest)
- 📊 风险评分系统 (0–100)
- 🧬 MITRE ATT&CK 映射
- 🖥️ 使用 Streamlit 构建的交互式仪表板
- 📈 图形可视化
- 📄 自动化 PDF 报告生成
## 🔍 分析类型
本项目采用**动态（基于行为）恶意软件分析**，系统观察运行时行为，例如进程创建、文件修改和网络活动。
这种方法广泛应用于现实世界的网络安全系统中。
## 🛠️ 使用的技术
- Python
- Streamlit
- Scikit-learn
- Scapy
- Watchdog
- Matplotlib
- ReportLab
## 📸 项目截图
## 
## ▶️ 如何运行
1. 克隆仓库：
```
git clone https://github.com/Vishwas-20/AI-Malware-Analysis-System.git
cd AI-Malware-Analysis-System
```
2. 安装所需的库：
```
pip3 install --break-system-packages streamlit scikit-learn pandas psutil watchdog scapy matplotlib reportlab
```
3. 运行应用程序：
```
sudo streamlit run dashboard.py
```
## ⚠️ 局限性
- 使用模拟行为而非真实的恶意软件执行
- 检测准确性取决于运行时的系统活动
- 模型是在小型数据集上训练的（可以改进）
标签：AMSI绕过, Apex, Beacon Object File, Cloudflare, DAST, DNS 反向解析, DNS 解析, IP 地址批量处理, Kubernetes, MITRE ATT&CK, Python, Scapy, Scikit-learn, Streamlit, 人工智能, 仪表盘, 威胁检测, 子域名变形, 异常检测, 恶意软件分析, 文件监控, 无后门, 机器学习, 沙箱技术, 用户模式Hook绕过, 网络信息收集, 网络安全, 网络安全审计, 网络流量分析, 自动化报告, 访问控制, 逆向工具, 随机森林, 隐私保护, 风险评分