Haroon0805/AI_Incident_Response_System

# 基于AI的网络安全事件响应系统 一款桌面应用程序，使用 **Random Forest classifier** 实时检测网络安全威胁。该项目基于 Python 和 Tkinter 构建，通过分析网络日志参数，将事件分类为恶意、可疑或良性，并提供严重程度评级和建议的响应措施。 ## 截图 | 主界面 | 良性 | |---|---| |  |  | | 恶意 | 可疑 | |---|---| |  |  | ## 功能 - **基于ML的检测** — 基于多达 600,000 条网络日志条目训练的 Random Forest 模型 - **3级威胁分类** — 恶意 / 可疑 / 良性，并带有颜色编码的严重程度 - **实时分析** — 根据协议、动作、日志类型和传输字节数进行即时预测 - **事件历史** — 可滚动显示最近 5 次分析事件记录 - **暗色网络安全 UI** — 采用自定义主题的 Tkinter 界面，带有动画结果闪烁效果 - **模块化架构** — 清晰分离 ML 核心、GUI 和配置模块 ## 构建技术 | 技术 | 用途 | |---|---| | Python 3.10+ | 核心语言 | | Tkinter / ttk | GUI 框架 | | scikit-learn | Random Forest classifier | | pandas / numpy | 数据加载和特征工程 | ## 项目结构 ``` AI_Incident_Response/ ├── main.py # Entry point — loads data, trains model, launches GUI ├── core/ │ ├── config.py # Constants, feature names, dataset path, dropdown options │ ├── data_loader.py # CSV loading, preprocessing, label encoding, scaling │ ├── model.py # Random Forest training and accuracy reporting │ └── analyzer.py # Prediction logic for a single incident ├── gui/ │ ├── app.py # Main window assembly and event handlers │ ├── widgets.py # Input fields, dropdowns, result panel │ ├── history.py # Scrollable incident history panel │ └── styles.py # Color palette and ttk styling ├── data/ # Place your dataset CSV here (gitignored) │ └── logs.csv ├── screenshots/ # App screenshots ├── requirements.txt ├── .gitignore ├── LICENSE └── README.md ``` ## 设置与安装 ### 前置条件 - Python 3.10 或更高版本 - pip ### 步骤 1. **克隆仓库** git clone https://github.com/Haroon0805/AI-Incident-Response.git cd AI-Incident-Response 2. **安装依赖** pip install -r requirements.txt 3. **添加您的数据集** 将您的 CSV 文件放置在 `data/logs.csv`，或者通过环境变量指向它： # Windows set DATASET_PATH=C:\path\to\your\logs.csv # Linux / macOS export DATASET_PATH=/path/to/your/logs.csv 数据集应包含以下列： | 列名 | 描述 | |---|---| | `protocol` | 网络协议 (HTTP, TCP, SSH 等) | | `action` | 流量动作 (ALLOWED / BLOCKED) | | `log_type` | 日志来源 (APPLICATION / FIREWALL / IDS) | | `bytes_transferred` | 会话中传输的字节数 | | `threat_label` | 真实标签 (malicious / suspicious / benign) | 4. **运行应用程序** python main.py 模型会在启动时自动训练（根据数据集大小约需 5–15 秒）。 ## 工作原理 ``` CSV Dataset │ ▼ data_loader.py → Label Encoding + StandardScaler + log(bytes) feature │ ▼ model.py → RandomForestClassifier (80 estimators, balanced weights) │ ▼ analyzer.py → Single-incident prediction + post-processing rules │ ▼ gui/ → Dark-themed Tkinter interface with live results ``` 该模型使用了 5 个特征：`protocol`、`action`、`log_type`、`bytes_transferred`，以及派生的 `bytes_log`（为了更好的缩放比例而对字节数进行对数转换）。 ## 威胁分类 | 结果 | 严重程度 | 建议操作 | |---|---|---| | **良性** | 低 | 系统运行正常。继续监控。 | | **可疑** | 中 | 调查流量来源。考虑暂时封锁 IP。 | | **恶意** | 高 | 立即封锁 IP，隔离系统，升级至 SOC 团队处理。 | ## 作者 **Muhammad Haroon** - GitHub: [@Haroon0805](https://github.com/Haroon0805) - LinkedIn: [mharoon0805](https://linkedin.com/in/mharoon0805) ## 许可证 本项目采用 MIT 许可证授权。详情请参阅 [LICENSE](LICENSE) 文件。

标签：Apex, Python, 恶意流量检测, 无后门, 机器学习, 桌面应用, 网络安全, 逆向工具, 隐私保护