aravindashen/AI-PhishingDetector

## 截图 ## 概述 Phishing Guardian AI 是一个由规则引擎驱动的威胁分析工具，可检查原始邮件内容，并标记 **8 个不同威胁类别** 中的社会工程学、凭证窃取和欺诈指标。它通过交互式仪表板计算加权威胁评分、对风险严重程度进行分类，并生成可下载的事件报告。 本项目旨在探索如何将真实 SOC（安全运营中心）工具中使用的检测逻辑 —— 包括关键字/模式匹配、加权风险评分和分级响应建议 —— 作为一个完整的应用程序实现端到端的开发。 ## 功能 - **威胁指标检测** — 根据涵盖凭证窃取、社会工程学、金融欺诈、域名冒充、附件诱饵、发票欺诈、加密货币诈骗和礼品卡诈骗的分类规则集扫描邮件文本 - **加权风险评分** — 根据类别严重程度，每个检测到的指标都会累加到总威胁评分中 - **风险分类** — 自动将结果划分为 `Low`、`Medium`、`High` 或 `Critical` 等级 - **可操作的建议** — 根据评估的风险等级生成量身定制的响应清单 - **可下载的报告** — 导出纯文本事件摘要以供存档 - **交互式仪表板** — 使用 Streamlit 构建，界面风格为深色的实时分析师控制台 ## 技术栈 | 层级 | 技术 | |---|---| | 界面 | Streamlit | | 语言 | Python | | 数据处理 | Pandas | | 检测逻辑 | 自定义规则引擎（关键字/模式匹配） | ## 项目结构 ``` AI-PhishingDetector/ ├── src/ │ ├── app.py # Streamlit dashboard (UI + orchestration) │ ├── main.py # Entry point │ ├── preprocessing.py # Text cleaning/normalization │ ├── rule_engine.py # Indicator detection logic │ ├── threat_categories.py # Threat category keyword definitions │ ├── risk_scores.py # Per-category risk weights │ ├── risk_calc.py # Score aggregation + risk level classification │ ├── recommendation_engine.py # Risk-tiered response recommendations │ └── report_generator.py # Incident report generation ├── docs/ # Architecture & design documentation │ ├── Architecture.md │ ├── DetectionEngine.md │ ├── RiskScoringDesign.md │ ├── RuleEngineDesign.md │ ├── SRS.md │ └── ThreatCategoriesv2.md └── requirements.txt ``` ## 工作原理 1. **输入** — 将原始邮件内容（headers、正文、链接）粘贴到仪表板中 2. **预处理** — 对文本进行清理和标准化，以确保匹配的一致性 3. **检测** — 规则引擎扫描所有威胁类别中的指标 4. **评分** — 对每个匹配项进行加权并汇总为累计威胁评分 5. **分类** — 评分映射到对应的风险等级（`Low` → `Critical`） 6. **响应** — 仪表板展示检测到的指标、执行摘要和分级建议 7. **导出** — 可下载完整的分析报告以供记录 ## 快速开始 **前置条件：** Python 3.9+ ``` # Clone the repository git clone https://github.com/aravindashen/AI-PhishingDetector.git cd AI-PhishingDetector # Install dependencies pip install -r requirements.txt # Run the dashboard streamlit run src/app.py ``` 应用程序将在 `http://localhost:8501` 打开。 ## 路线图 - [ ] 扩展检测功能以支持 HTML 邮件解析和 header 分析 - [ ] 在基于规则的检测之外，加入基于机器学习的分类功能 - [ ] 通过外部威胁情报 API 进行 URL 信誉检查 - [ ] 支持多封邮件的批量分析 - [ ] 持久化记录过往分析的历史日志 ## 文档 详细的设计说明可在 [`/docs`](./docs) 中查看，内容涵盖系统架构、检测引擎设计、风险评分方法论以及威胁类别定义。 ## 作者 **Aravind** — 专注于网络与云安全的网络安全专业学生。 GitHub: [@aravindashen](https://github.com/aravindashen)

标签：AI应用, Kubernetes, SOC工具, 威胁分析, 漏洞发现, 自动化侦查工具, 逆向工具, 邮件安全, 钓鱼检测