adityashirsatrao007/ai-nids-framework

## title: AI NIDS 研究框架 emoji: 🛡️ colorFrom: blue colorTo: indigo sdk: docker pinned: false # 用于网络入侵检测 (NIDS) 的可解释混合机器学习 [](https://www.python.org/downloads/) [](paper/IEEE_Paper_Draft.md) [](https://opensource.org/licenses/MIT) ## 📌 概述 现代网络入侵检测系统 (NIDS) 面临两大主要障碍：**“不透明性危机”**（黑盒深度学习）和**严重的类别不平衡**。本代码库包含旨在解决这两个问题的混合框架的官方实现。 通过将**时空节律**（通过 1D-CNN + LSTM）与**结构化集成**（通过 XGBoost/Random Forest）相结合，我们实现了近乎完美的检测率。至关重要的是，我们利用 **SHAP (Shapley Additive Explanations)** 来提供针对每个数据包的局部透明度，使安全分析师能够准确验证威胁被标记的*原因*。 ## 🏗️ 架构 该系统采用双流引擎，处理通过互信息 (MI) 和递归特征消除 (RFE) 筛选出的 20 个高保真特征。  *图 1：可解释混合 NIDS 工作流架构。* ## 🚀 核心功能 - **双流混合引擎**：并行处理时序节律 (DL) 和结构特征 (Ensemble)。 - **基于 SHAP 的可解释性**：原生集成 `TreeExplainer`，用于局部特征归因和取证瀑布图。 - **攻击优先级分层**：采用定制的采样方法，确保罕见攻击（如 Heartbleed 和 Infiltration）在训练期间不被忽略。 - **MI-RFE 特征选择**：将特征空间从 78 维降至 20 维，以优化实时性能。 ## 📊 性能 基于 **CICIDS2017** 数据集进行验证 —— 包含 15 种威胁类别，超过 280 万条流。 | 指标 | 分数 | | :--- | :--- | | **准确率 (Accuracy)** | 99.09% | | **加权精确率 (Weighted Precision)** | 99.00% | | **加权召回率 (Weighted Recall)** | 99.08% | | **加权 F1 分数 (Weighted F1-Score)** | 99.04% |  *图 2：受试者工作特征曲线 (AUC = 0.99)。* ## 🛠️ 快速开始 ### 1. 安装依赖 ``` pip install -r requirements.txt ``` ### 2. 运行研究 Pipeline ``` python main.py ``` ### 3. 实时演示 (Docker) ``` cd demo docker build -t nids-demo . docker run -p 8501:8501 nids-demo ``` ## 📖 引用 ``` @inproceedings{shirsatrao2025explainable, title={Explainable Hybrid Machine Learning Framework for Network Intrusion Detection Using SHAP Analysis}, author={Shirsatrao, Aditya Vishal and Sangolgi, Vijay A and Patil, M.B.}, booktitle={2025 7th International Conference on Signal Processing, Computing and Control (ISPCC)}, year={2025} } ``` ## 📄 许可证 MIT 许可证 — 详见 [LICENSE](LICENSE)。

标签：Apex, Python, 人工智能, 无后门, 机器学习, 深度学习, 用户模式Hook绕过, 网络安全, 请求拦截, 逆向工具, 隐私保护