KushalVairal/AI-powered-Log-Anomaly-Detection-System
GitHub: KushalVairal/AI-powered-Log-Anomaly-Detection-System
这是一个结合 Java 后端与 Python Isolation Forest 模型的全栈系统，旨在通过机器学习实时分析日志并检测系统异常及安全威胁。
Stars: 0 | Forks: 0
# 🔍 AI 驱动的日志异常检测系统
一个全栈系统，用于摄取应用程序日志，通过 Java Spring Boot 后端进行处理，
使用 Python Isolation Forest 机器学习模型运行异常检测，并在实时仪表板中可视化结果。
## 技术栈
| 层级 | 技术 |
|-------|-----------|
| 后端 | Java 17, Spring Boot 3.2, Spring Security, Spring Data JPA |
| 数据库 | H2 (开发) / MySQL 8 (生产) |
| ML 服务 | Python 3.10, Flask, scikit-learn (Isolation Forest) |
| 前端 | 原生 HTML/CSS/JS 仪表板 |
| 告警 | Spring Mail + 控制台日志 |
## 快速开始
```
# 启动 Python ML service
cd python-ml && pip install -r requirements.txt && python app.py
# 启动 Java backend (新终端)
cd java-backend && mvn spring-boot:run
# 打开 dashboard
open frontend/index.html
# 生成 test logs
cd python-ml && python log_generator.py --mode all
```
## 文档
请参阅 [`docs/ARCHITECTURE.md`](docs/ARCHITECTURE.md) 了解：
- 完整的系统架构图
- API 参考
- ML 模型详情
- 测试场景
- 生产环境部署指南
标签：AMSI绕过, Apex, API开发, BSD, CMS安全, CSS, Flask, H2数据库, HTML, Isolation Forest, JavaScript, JPA, OISF, Python, scikit-learn, Spring Boot, Spring Security, 人工智能, 后端架构, 域名枚举, 多模态安全, 威胁检测, 孤立森林, 异常检测, 数据可视化, 数据挖掘, 无后门, 日志管理, 时间线生成, 机器学习, 用户模式Hook绕过, 系统故障检测, 网络安全, 自动化运维, 逆向工具, 隐私保护