Rahul1613/AI-POWERED-PHISHING-DETECTION-ENGINE-ENTERPRISE-ACTIVE

# 🛡️ PhishGuard AI — 基于 AI 的钓鱼检测与威胁情报平台 ## 📸 功能概览 | 功能模块 | 技术重点 | 技术栈 | |---|---|---| | 🌐 **URL 钓鱼检测器** | 词法特征审计、品牌域名抢注检查、unicode 同形字分析 | Regex, RDAP whois, ML Model | | 📧 **邮件威胁分析器** | SMTP 头部审计（SPF/DKIM/DMARC 对齐），NLP 正文紧迫性分析 | Express-validator, NLP rules | | 🗃️ **威胁信誉查询** | 针对全球情报源进行实时的 IP、域名和哈希值检查 | VirusTotal, AbuseIPDB, PhishTank | | 🤖 **AI 网络安全助手** | 具备上下文感知能力的事件分析报告和修复手册 | Ollama + Qwen 2.5 | | 📊 **SOC 运营中心** | 滚动的 SIEM 控制台日志、Recharts 图表、地理定位威胁地图 | Zustand, Recharts | | 🧩 **浏览器扩展 Mock** | 基于 Manifest V3 后台脚本拦截标签页更新的概念模型 | Chrome Extension APIs | ## 🏗️ 架构蓝图 ``` project-root/ ├── Dockerfile # Multi-stage production container setup ├── README.md # Core project documentation ├── INTERVIEW_PREP.md # SOC & AI Security interview guides ├── package.json # Project run control using concurrently │ ├── backend/ # Express.js REST API Server │ └── src/ │ ├── app.js # Route mounting and security configuration │ ├── controllers/ # Threat logic routing controllers │ │ ├── urlController.js │ │ ├── emailController.js │ │ ├── threatController.js │ │ ├── aiController.js │ │ └── analyticsController.js │ ├── routes/ # Express endpoint definitions │ ├── middleware/ # Helmet headers, rate limiters, logging │ ├── models/ # Mongoose threat history schema (Analysis.js) │ ├── services/ # Core computation algorithms │ │ ├── mlService.js # Child process wrapper + JS heuristics fallback │ │ ├── whoisService.js # RDAP domain age querying │ │ ├── threatIntelService.js # VirusTotal & AbuseIPDB client wrappers │ │ └── ollamaService.js # Local LLM interaction service │ └── ml/ # Machine Learning pipeline folder │ ├── train.py # Synthetic URL training script │ ├── predict.py # URL lexical inference parser │ ├── phishing_model.pkl # Trained Random Forest model parameters │ └── scaler.pkl # Standardized feature scaling coefficients │ └── frontend/ # Vite + React Client Dashboard └── src/ ├── components/ # Reusable visualization widgets │ ├── AIAssistant.jsx # Context-aware IR chatbot │ ├── BrowserExtensionConcept.jsx # Manifest V3 browser extension mockup │ └── MatrixBackground.jsx ├── pages/ # Route view handlers │ ├── Home.jsx # Typosquatting sandbox search homepage │ ├── UrlChecker.jsx # URL Risk Gauge deep scanning report │ ├── EmailAnalyzer.jsx # Email SPF/DKIM validation & NLP profile │ ├── ThreatIntel.jsx # Manual reputational search & IOC scrolling feed │ ├── Dashboard.jsx # SIEM scrolling logs & geolocation threat maps │ ├── About.jsx # Technology stack and MITRE ATT&CK mapping │ └── NotFound.jsx ├── store/ # Zustand persisted state manager (useStore.js) └── utils/ # Risk color configurations (helpers.js) ``` ## 🚀 快速开始指南 ### 前置条件 - **Node.js**: v20 或更高版本 - **Python**: v3.9 或更高版本（用于 ML 推理/训练） - **Ollama**: 本地安装以执行 Qwen2.5（可选） ### 选项 A：本地开发设置 #### 1. 设置后端依赖并训练模型 ``` cd backend # 创建 Python 虚拟环境并安装 ML 要求 python3 -m venv venv source venv/bin/activate pip install scikit-learn numpy joblib # 训练 Random Forest Classifier python3 src/ml/train.py # 安装 Node 后端库并启动服务器 npm install npm run dev # API starts on http://localhost:5001 ``` #### 2. 设置前端客户端 ``` cd ../frontend npm install npm run dev # Web application opens on http://localhost:5173 ``` #### 3. （可选）运行本地 AI 模型 ``` # 本地拉取并服务模型 ollama pull qwen2.5 ollama serve ``` ### 选项 B：Docker 部署（统一运行器） 要在生产沙箱中运行整个技术栈（Node、Python ML、已训练的分类器以及提供的客户端分发版）： ``` docker build -t phishguard-ai . docker run -p 5001:5001 --env-file=backend/.env phishguard-ai ``` ## 📡 核心 API 规范 | 方法 | Endpoint | 描述 | Payload Schema | |---|---|---|---| | `POST` | `/api/url/scan` | 提交 URL 以进行深度 ML 和情报扫描 | `{"url": "http://paypal-verify-login.xyz"}` | | `POST` | `/api/email/analyze` | 检查头部和内容的 NLP 触发器 | `{"headers": "...", "body": "...", "attachments": []}` | | `POST` | `/api/threat/lookup` | 手动查询 VirusTotal/AbuseIPDB 信誉 | `{"target": "185.220.101.44", "type": "ip"}` | | `GET` | `/api/threat/feed` | 列出全球 IOC 滚动情报源指标 | — | | `GET` | `/api/analytics/stats` | 汇总日志以生成仪表板可视化图表 | — | | `POST` | `/api/ai/chat` | AI 事件响应聊天顾问 | `{"message": "...", "context": "..."}` | ## 🔒 已实现的安全防护 - **故障安全 ML 回退**：如果环境中缺少 Python，服务器将切换到原生的 **Node.js 启发式分类器**，该分类器会模拟随机森林决策树参数。 - **OWASP HTTP 控制 (helmet.js)**：配置严格的 Content Security Policy 指令，通过 SSL 强制执行 HSTS，阻止点击劫持框架选项，并阻止 MIME 嗅探。 - **IP 速率限制**：express-rate-limit 将每个 IP 的扫描器请求限制为每 15 分钟 100 次，以防止服务耗尽。 - **Payload 安全**：将输入的 JSON 正文 payload 限制为 `10kb`，以防止缓冲区溢出/拒绝服务攻击。 ## 🎓 简历与作品集亮点 复制并粘贴以下要点，以突出您的网络安全和软件工程成就： - **端到端安全架构**：利用 React、Node.js Express、Python 和 MongoDB Atlas 构建了一个全栈 AI 驱动的钓鱼检测平台。 - **机器学习分类**：基于 URL 词法特征（子域名深度、TLD 信誉、数字比率）训练了 Scikit-Learn 随机森林分类器，实现了极高的分类准确率。 - **故障安全系统设计**：设计了一个混合后端系统，结合了用于 Python ML 脚本的子进程生成机制和原生的 JavaScript 启发式回退分类器，实现了 100% 的服务可用性。 - **威胁情报集成**：将 API endpoint 与 VirusTotal、AbuseIPDB、PhishTank 和 RDAP 域名注册记录对接，以汇总多源威胁遥测数据。 - **生成式 AI 工作流**：构建了连接本地 Ollama + Qwen LLM 服务器的提示词工程框架，以自动化生成具备上下文感知能力的事件报告。 - **现代 SOC 可视化**：设计了一个动态的安全运营中心面板，包含 Framer Motion、Recharts 图表、地理定位 SVG 地图以及滚动 SIEM 控制台警报。

标签：AI风险缓解, Apex, MITM代理, Python, React, Syscalls, Web安全, 威胁情报, 开发者工具, 无后门, 机器学习, 网络安全, 自定义脚本, 蓝队分析, 请求拦截, 逆向工具, 钓鱼检测, 隐私保护