Apoorva-Nayak07/AI-Malware-Detection-System

# 🛡️ AI 恶意软件检测与威胁分析系统 ## 🎯 概述 **AI 恶意软件检测与威胁分析系统**是一个企业级网络安全平台，它利用机器学习实时检测、分析和预测恶意软件威胁。该系统采用现代技术构建，并从业界领先的安全平台中汲取灵感，提供全面的威胁情报和安全分析。 ## 截图 ### 首页  ### 注册页面  ### 安全仪表板  ### 扫描部分  ### 威胁  ### 异常检测  ### 分析  ### 设置  ### 核心能力 - 🤖 **AI 驱动的恶意软件分类** - Random Forest、XGBoost 和深度学习模型 - 🔍 **异常检测引擎** - 用于行为分析的 Isolation Forest - 📊 **威胁预测系统** - 针对未来威胁的预测性分析 - 🎯 **实时监控** - 通过 WebSocket 进行实时威胁检测和告警 - 📈 **安全分析仪表板** - 交互式可视化和洞察 - 🔐 **企业级身份验证** - 基于 JWT 的安全访问控制 - 🌐 **RESTful API** - 用于集成的综合 API - 🐳 **Docker 就绪** - 容器化部署 ## ✨ 功能 ### 🛡️ 核心安全功能 #### 1. **恶意软件分类系统** - 分析上传的文件（EXE、脚本、文档、APK） - 分类为：木马、蠕虫、勒索软件、间谍软件、广告软件、良性 - 生成恶意软件概率和威胁评分 - AI 驱动的检测解释 #### 2. **AI 威胁预测** - 预测可疑行为模式 - 识别未知威胁 - 生成未来风险评分 - 攻击向量分析 #### 3. **异常检测引擎** - 检测异常的文件行为 - 识别可疑活动 - 未知恶意软件签名检测 - 使用 Isolation Forest 进行行为异常分析 #### 4. **AI 安全评分系统** - 文件安全评分 (0-100) - 设备风险评估 - 恶意软件严重性评分 - 威胁置信度水平 #### 5. **实时监控仪表板** - 活动威胁追踪 - 恶意软件趋势分析 - 检测统计 - 威胁时间线 - 风险分析 - 攻击类别细分 ### 📊 仪表板模块 1. **首页** - 专业的网络安全主题主页 2. **身份验证** - 使用 JWT 登录/注册 3. **安全仪表板** - 实时威胁概览 4. **恶意软件扫描器** - 文件上传和分析中心 5. **威胁情报** - 全面的威胁数据 6. **AI 预测中心** - 威胁预测 7. **异常检测实验室** - 行为分析 8. **报告与分析** - 安全洞察 9. **威胁历史** - 历史威胁数据 10. **用户管理** - 管理面板 11. **设置** - 用户偏好 ### 🎨 UI/UX 功能 - **暗黑未来主题** - 网络安全美学 - **玻璃拟态效果** - 现代 UI 设计 - **霓虹赛博色彩** - 青色、蓝色、红色点缀 - **流畅动画** - Framer Motion 驱动 - **实时小部件** - 实时威胁更新 - **安全评分卡** - 可视化风险指标 - **交互式分析** - Recharts 可视化 - **威胁严重性指标** - 颜色编码告警 - **实时活动源** - 实时事件流 - **响应式布局** - 移动端友好设计 ## 🛠️ 技术栈 ### 前端 - **React.js 18** - UI 框架 - **Tailwind CSS** - 实用优先的样式工具 - **Framer Motion** - 动画库 - **Recharts** - 数据可视化 - **Chart.js** - 附加图表 - **Axios** - HTTP 客户端 - **React Router** - 导航 - **Socket.IO Client** - 实时通信 - **Zustand** - 状态管理 - **React Hot Toast** - 通知 - **Lucide React** - 图标库 ### 后端 - **Node.js** - 运行时环境 - **Express.js** - Web 框架 - **MongoDB** - NoSQL 数据库 - **Mongoose** - ODM - **JWT** - 身份验证 - **Socket.IO** - WebSocket 服务器 - **Multer** - 文件上传处理 - **Bcrypt** - 密码哈希 - **Helmet** - 安全标头 - **Morgan** - HTTP 日志 - **Winston** - 应用日志 ### AI/ML 服务 - **Python 3.9+** - 编程语言 - **FastAPI** - 现代 API 框架 - **Scikit-learn** - ML 库 - **NumPy** - 科学计算 - **Pandas** - 数据处理 - **Joblib** - 模型持久化 ### ML 模型 - **Random Forest** - 恶意软件分类 - **Isolation Forest** - 异常检测 - **XGBoost** - 威胁预测 - **特征工程** - 25+ 提取特征 ### DevOps - **Docker** - 容器化 - **Docker Compose** - 多容器编排 - **NGINX** - 反向代理 - **Git** - 版本控制 ## 🏗️ 架构 ``` ┌─────────────────────────────────────────────────────────────┐ │ CLIENT (React.js) │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │Dashboard │ │ Scanner │ │ Threats │ │Analytics │ │ │ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │ └────────────────────┬────────────────────────────────────────┘ │ HTTP/WebSocket ┌────────────────────┴────────────────────────────────────────┐ │ BACKEND API (Node.js/Express) │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ Auth │ │ Scan │ │ Threats │ │Analytics │ │ │ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │ └────────┬───────────────────────────┬────────────────────────┘ │ │ │ MongoDB │ HTTP │ │ ┌────────┴────────┐ ┌────────┴────────────────────────┐ │ DATABASE │ │ ML SERVICE (Python/FastAPI) │ │ (MongoDB) │ │ ┌──────────┐ ┌──────────┐ │ │ │ │ │Classifier│ │ Anomaly │ │ │ ┌──────────┐ │ │ └──────────┘ └──────────┘ │ │ │ Users │ │ │ ┌──────────┐ ┌──────────┐ │ │ │ Scans │ │ │ │Predictor │ │Features │ │ │ │ Threats │ │ │ └──────────┘ └──────────┘ │ │ └──────────┘ │ └─────────────────────────────────┘ └─────────────────┘ ``` ### 数据流 1. **用户上传文件** → 前端 2. **文件发送至后端** → Express API 3. **后端转发至 ML 服务** → FastAPI 4. **ML 服务提取特征** → 特征提取器 5. **模型分析特征** → 分类器、异常检测器、预测器 6. **结果返回后端** → Express API 7. **结果存储于数据库** → MongoDB 8. **发送实时更新** → Socket.IO 9. **仪表板更新** → React 前端 ## 🚀 快速开始 ### 前置条件 - Node.js >= 16.0.0 - Python >= 3.9 - MongoDB >= 5.0 - Docker（可选） ### 安装 #### 选项 1：手动设置 ``` # 克隆 repository git clone https://github.com/yourusername/ai-malware-detection.git cd ai-malware-detection # 安装所有 dependencies npm run install-all # 启动 MongoDB（如果未运行） mongod # 启动所有服务 npm run dev ``` #### 选项 2：Docker 设置 ``` # 克隆 repository git clone https://github.com/yourusername/ai-malware-detection.git cd ai-malware-detection # 构建并启动 containers docker-compose up --build ``` ### 访问应用 - **前端**：http://localhost:3000 - **后端 API**：http://localhost:5000 - **ML 服务**：http://localhost:8000 - **API 文档**：http://localhost:8000/docs ### 默认凭据 ``` Email: admin@malware-detection.com Password: Admin@123 ``` ## 📦 安装说明 ### 步骤 1：克隆仓库 ``` git clone https://github.com/yourusername/ai-malware-detection.git cd ai-malware-detection ``` ### 步骤 2：后端设置 ``` cd server # 安装 dependencies npm install # 创建 .env 文件 cp .env.example .env # 使用你的配置编辑 .env nano .env # 启动 server npm run dev ``` ### 步骤 3：前端设置 ``` cd client # 安装 dependencies npm install # 创建 .env 文件 cp .env.example .env # 编辑 .env nano .env # 启动开发 server npm start ``` ### 步骤 4：ML 服务设置 ``` cd ml-service # 创建 virtual environment python -m venv venv # 激活 virtual environment # Windows venv\Scripts\activate # Linux/Mac source venv/bin/activate # 安装 dependencies pip install -r requirements.txt # 创建 .env 文件 cp .env.example .env # 启动 ML 服务 python main.py ``` ## ⚙️ 配置 ### 后端环境变量 ``` # Server 配置 NODE_ENV=development PORT=5000 # MongoDB 配置 MONGODB_URI=mongodb://localhost:27017/malware_detection # JWT 配置 JWT_SECRET=your_super_secret_jwt_key_change_in_production JWT_EXPIRE=7d # ML 服务配置 ML_SERVICE_URL=http://localhost:8000 # 文件上传配置 MAX_FILE_SIZE=50000000 UPLOAD_PATH=./uploads # CORS 配置 CLIENT_URL=http://localhost:3000 # Rate Limiting RATE_LIMIT_WINDOW=15 RATE_LIMIT_MAX_REQUESTS=100 ``` ### 前端环境变量 ``` REACT_APP_API_URL=http://localhost:5000 REACT_APP_SOCKET_URL=http://localhost:5000 ``` ### ML 服务环境变量 ``` ML_SERVICE_PORT=8000 MODEL_PATH=./models/trained_models ``` ## 📖 用法 ### 1. 注册/登录 1. 导航至 http://localhost:3000 2. 点击“开始使用”或“登录” 3. 创建账户或使用凭据登录 ### 2. 上传文件进行扫描 1. 前往“扫描器”页面 2. 拖放文件或点击上传 3. 等待分析（显示实时进度） 4. 查看详细结果 ### 3. 查看威胁情报 1. 导航至“威胁”页面 2. 查看所有检测到的威胁 3. 按严重性、类型、状态进行过滤 4. 更新威胁状态 5. 添加调查备注 ### 4. 监控分析 1. 前往“分析”页面 2. 查看安全评分 3. 分析恶意软件趋势 4. 查看检测时间线 5. 生成报告 ### 5. 异常检测 1. 导航至“异常检测”页面 2. 查看检测到的异常 3. 分析行为模式 4. 查看风险评估 ## 📚 API 文档 ### 身份验证 Endpoint #### 注册用户 ``` POST /api/auth/register Content-Type: application/json { "username": "john_doe", "email": "john@example.com", "password": "SecurePass123!", "organization": "ACME Corp" } ``` #### 登录 ``` POST /api/auth/login Content-Type: application/json { "email": "john@example.com", "password": "SecurePass123!" } ``` ### 扫描 Endpoint #### 上传并扫描文件 ``` POST /api/scan/upload Authorization: Bearer Content-Type: multipart/form-data file: ``` #### 获取扫描历史 ``` GET /api/scan/history?page=1&limit=20 Authorization: Bearer ``` #### 根据 ID 获取扫描 ``` GET /api/scan/:scanId Authorization: Bearer ``` ### 威胁 Endpoint #### 获取所有威胁 ``` GET /api/threats?severity=critical&status=active Authorization: Bearer ``` #### 获取威胁统计 ``` GET /api/threats/stats/dashboard Authorization: Bearer ``` #### 更新威胁状态 ``` PUT /api/threats/:threatId/status Authorization: Bearer Content-Type: application/json { "status": "resolved", "notes": "Threat mitigated successfully" } ``` ### 分析 Endpoint #### 获取仪表板分析 ``` GET /api/analytics/dashboard Authorization: Bearer ``` #### 获取恶意软件趋势 ``` GET /api/analytics/malware-trends?days=30 Authorization: Bearer ``` #### 生成报告 ``` POST /api/analytics/generate-report Authorization: Bearer Content-Type: application/json { "timeRange": 30, "reportType": "comprehensive" } ``` ### ML 服务 Endpoint #### 分析文件 ``` POST /api/ml/analyze Content-Type: multipart/form-data file: ``` #### 预测威胁 ``` POST /api/ml/predict-threats Content-Type: application/json { "historical_data": [...] } ``` #### 检测异常 ``` GET /api/ml/detect-anomalies ``` ## 🤖 ML 模型 ### 1. 恶意软件分类器 (Random Forest) **目的**：将文件分类到恶意软件类别中 **特征**：包含 25+ 个提取特征： - 文件熵 - 可疑字符串 - API 调用 - 网络活动 - 注册表修改 - 进程注入 - 加密指示符 - 混淆级别 - PE 特征 **类别**： - 良性 - 木马 - 蠕虫 - 勒索软件 - 间谍软件 - 广告软件 **准确率**：~94%（基于训练数据） ### 2. 异常检测器 (Isolation Forest) **目的**：检测异常的行为模式 **方法**：Isolation Forest 算法 **输出**：异常评分 (0-1) **阈值**：0.6 用于异常分类 ### 3. 威胁预测器 (XGBoost) **目的**：预测未来的威胁和攻击向量 **特征**：历史威胁数据，行为模式 **输出**：风险评分，威胁类型，攻击向量 ## 🐳 部署 ### Docker 部署 ``` # 构建 images docker-compose build # 启动服务 docker-compose up -d # 查看 logs docker-compose logs -f # 停止服务 docker-compose down ``` ### 生产环境部署 #### Railway ``` # 安装 Railway CLI npm install -g @railway/cli # 登录 railway login # 初始化项目 railway init # 部署 railway up ``` #### Render 1. 连接 GitHub 仓库 2. 为后端创建 Web 服务 3. 为前端创建 Web 服务 4. 为 ML 服务创建 Web 服务 5. 添加 MongoDB 数据库 6. 配置环境变量 #### AWS/Azure 1. 设置 EC2/VM 实例 2. 安装 Docker 3. 克隆仓库 4. 配置环境变量 5. 运行 docker-compose 6. 设置负载均衡器 7. 配置 SSL 证书 ## 🔒 安全 ### 安全功能 - **JWT 身份验证** - 安全的基于 token 的认证 - **密码哈希** - 带有加盐轮数的 Bcrypt - **速率限制** - 防止暴力破解攻击 - **Helmet.js** - 安全标头 - **CORS 保护** - 受控的跨域请求 - **输入验证** - Express-validator - **文件上传限制** - 每个文件最大 50MB - **SQL 注入防护** - MongoDB ODM - **XSS 保护** - React 内置保护 ### 最佳实践 1. 在生产环境中更改默认的 JWT 密钥 2. 在生产环境中使用 HTTPS 3. 启用 MongoDB 身份验证 4. 定期进行安全审计 5. 保持依赖项更新 6. 实施适当的日志记录 7. 将密钥存储在环境变量中 8. 启用防火墙规则 9. 定期备份 ##🤝 贡献 欢迎贡献！请遵循以下步骤： 1. Fork 该仓库 2. 创建功能分支 (`git checkout -b feature/AmazingFeature`) 3. 提交更改 (`git commit -m 'Add AmazingFeature'`) 4. 推送到分支 (`git push origin feature/AmazingFeature`) 5. 发起 Pull Request

标签：Apex, GNU通用公共许可证, MITM代理, Node.js, Python, Shodan, 威胁分析, 无后门, 机器学习, 自动化侦查工具, 自定义脚本, 请求拦截, 逆向工具