tanhiee/Graduation-Project

# 基于机器学习的异常检测系统：保护 LMS 免受撞库攻击    ## 简介 本项目研究并开发了一个基于机器学习的异常检测系统，旨在保护学习管理系统（LMS）免受撞库攻击。 该系统不仅专注于检测复杂的攻击技术（如低速慢速攻击），还集成了 AI 模型防御机制和自动化事件响应流程。 这是 **VNU-IS（河内国家大学国际学院）** 应用信息技术专业的毕业设计项目。在此，我们向 **Tanh Nguyen 博士** 致以最诚挚的感谢，感谢他在本项目完成过程中提供的悉心指导与支持。 ## 核心功能 - **攻击模拟与数据：** 模拟正常流量及针对 LMS (Moodle) 系统发起的撞库攻击脚本。 - **异常检测：** 用于分析登录行为并及早识别入侵迹象的 pipeline。 - **AI 完整性保护：** 应用防御算法，保护 ML 模型免受训练数据投毒技术的攻击。 - **集成 SOAR：** 模拟安全编排、自动化与响应流程，以实时处理安全警报。 ## 目录结构 - `charts/` ：用于分析和评估模型性能的图表。 - `deploy_models/` ：存放已训练好且随时可部署的机器学习模型的目录。 - `templates/` ：用于 SOAR 系统模拟 Web App 的 HTML 界面文件。 - `anomaly_detection_pipeline.py` & `.ipynb` ：用于数据预处理和入侵检测模型训练的核心 pipeline。 - `anti_data_poisoning_defense.ipynb` ：防止机器学习算法遭受 Data Poisoning 风险的防御解决方案。 - `low_and_slow_attack.py` ：自动化模拟低频撞库攻击的脚本，旨在绕过传统的监控系统。 - `normal_traffic.py` & `generate_combos.py` ：用于生成有效用户行为数据集和凭证列表的脚本。 - `soar_simulation.py` & `soar_web_app.py` ：模拟警报并提供自动化安全管理界面的系统。 - `moodle_students.csv`, `leaked_combos.txt`, `lms_training_dataset_final.csv`: 用于训练和测试的原始数据与样本数据集。 ## 快速开始 1. 安装相关依赖。 2. 运行模拟流量和攻击的数据生成脚本。 3. 执行 `anomaly_detection_pipeline.ipynb` 以开始模型训练过程。 4. 启动 `soar_web_app.py` 以打开事件管理界面并监控 log event。 ## 作者 - Tanie (Nguyễn Thảo Anh) - 研究领域：Application Security & AI Security

标签：Apex, NoSQL, Python, SOAR, Web安全, 多模态安全, 异常检测, 撞库攻击防护, 无后门, 机器学习, 蓝队分析, 逆向工具