Khadija-Bilal244/cybersecurity-response-predictor

## 概述 本项目基于攻击特征预测网络安全事件的适当响应措施。它是作为专注于网络安全应用的 AI/ML 实践的一部分而开发的。 ## 问题陈述 给定网络安全事件属性——攻击类型、严重程度、时间戳和数据外泄状态——预测最合适的响应措施。 ### 响应类别 | 类别 | 含义 | |---|---| | Eradicated | 威胁已被完全清除 | | Contained | 威胁已被隔离但仍然存在 | | Recovered | 系统在事件发生后已恢复 | | Blocked | 攻击在产生影响前已被阻止 | ## 数据集 - 合成的网络安全事件数据集 - 超过 10,000 条事件记录 **特征** - Attack Type（攻击类型） - Attack Severity（攻击严重程度） - Data Exfiltrated（数据外泄） - Timestamp（时间戳） **目标变量：** Response Action（响应措施） ## 使用的技术 Python · Pandas · NumPy · Scikit-learn · Matplotlib · Seaborn ## 当前性能 | 指标 | 数值 | |---|---| | Accuracy（准确率） | 25% | | Baseline Accuracy（基准准确率） | 25% | | 状态 | 持续改进中 | ## 关键学习点 - 四分类问题的基准准确率为 25% - 类别不平衡会显著影响模型性能 - 特征工程对于改进预测结果非常重要 - 添加更多特征并不总能改善结果 - 正确的预处理和特征选择至关重要 ## 改进路线图 - 使用类别权重处理类别不平衡问题 - 进行特征选择 - 使用 `StratifiedKFold` 实现交叉验证 - 比较多种算法： - Logistic Regression - Decision Tree - Random Forest - XGBoost - 使用 `GridSearchCV` 进行超参数调优 - 添加基于时间的特征工程 ## 项目工作流 1. 数据预处理 2. 处理缺失值 3. 编码类别特征 4. 特征工程 5. 训练集与测试集划分 6. 模型训练 7. 模型评估 8. 性能改进 ## 未来增强计划 - 实时威胁预测系统 - 使用 Flask 或 Streamlit 进行部署 - 与 SIEM 工具集成 - 基于深度学习的异常检测 - 使用真实的网络安全数据集进行基准测试 ## 项目结构 ``` Cybersecurity-incident-response/ ├── ai_ml_cybersecurity_dataset.csv ├── cybersecurity_model.ipynb ├── confusion_matrix.png ├── class_distribution.png ├── feature_importance.png └── README.md ```

标签：Apex, Python, Scikit-learn, 安全运营, 扫描框架, 数据分类, 无后门, 机器学习, 逆向工具