akshat588/RakshakAI

# 📖 概述 RakshakAI 是一个综合性的基于 AI 的网络威胁情报平台，旨在在用户成为受害者之前识别和分析现代网络威胁。 RakshakAI 没有仅仅关注单一的攻击媒介，而是将多个 AI 驱动的安全引擎结合到一个平台中，为网络威胁分析提供统一的仪表板。 该平台利用机器学习、自然语言处理（NLP）、计算机视觉、可解释 AI 和威胁情报技术来检测可疑的数字内容。 # ✨ 功能 ✅ 电子邮件钓鱼检测 ✅ URL 钓鱼检测 ✅ 短信诈骗检测 ✅ WhatsApp 诈骗检测 ✅ 虚假招聘检测 ✅ 社会工程学检测 ✅ UPI 欺诈检测 ✅ 二维码威胁检测 ✅ 深度伪造图像检测 ✅ 可解释 AI 结果 ✅ 威胁风险评分 ✅ 实时仪表板 ✅ 扫描历史记录 # 🏗️ 系统架构 ``` USER │ ▼ Web Dashboard (HTML + Tailwind + JavaScript) │ ▼ Flask Routes │ ▼ Analyzer APIs ─────────────────────────────────────── Email Analyzer URL Analyzer SMS Analyzer WhatsApp Analyzer Fake Job Analyzer Social Engineering Analyzer UPI Analyzer QR Analyzer Deepfake Analyzer ─────────────────────────────────────── │ ▼ AI Models ─────────────────────────────────────── Logistic Regression Linear SVM Naive Bayes CNN (Deepfake Detection) ─────────────────────────────────────── │ ▼ Threat Engine ─────────────────────────────────────── Risk Score Confidence Severity Threat Explanation Recommendations ─────────────────────────────────────── │ ▼ Scan History │ ▼ Dashboard Results ``` # 🧠 使用的 AI 模型 | 模块 | 算法 | |---------|-----------| | 电子邮件检测 | 逻辑回归 | | URL 检测 | 线性 SVM / 逻辑回归 | | 短信检测 | 多项式朴素贝叶斯 | | WhatsApp 检测 | 逻辑回归 | | 虚假招聘检测 | 逻辑回归 | | 社会工程学检测 | 逻辑回归 | | UPI 欺诈检测 | 基于规则 + 机器学习 | | 二维码检测 | URL 检测 + 威胁分析 | | 深度伪造检测 | 卷积神经网络 (CNN) | # ⚙️ 机器学习流水线 ``` Dataset │ ▼ Data Cleaning │ ▼ Text Preprocessing │ ▼ TF-IDF Vectorization │ ▼ Train/Test Split │ ▼ Model Training │ ▼ Evaluation │ ▼ Best Model Selection │ ▼ Joblib Serialization │ ▼ Flask Integration │ ▼ Real-Time Prediction ``` # 🛠️ 技术栈 ### 后端 - Python - Flask - REST API - Jinja2 ### 前端 - HTML5 - Tailwind CSS - 原生 JavaScript ### 机器学习 - Scikit-learn - Pandas - NumPy - Joblib ### 计算机视觉 - OpenCV - CNN # 📂 项目结构 ``` RakshakAI/ │ ├── 01_Project_Planning_Research/ ├── 02_Dataset_Design_Collection/ ├── 03_AI_Model_Development/ ├── 04_Backend_Development/ ├── 05_Frontend_Development/ │ ├── Assets/ │ ├── docs/ │ ├── README.md ├── requirements.txt └── LICENSE ``` # 🚀 安装说明 克隆仓库 ``` git clone https://github.com/akshat588/RakshakAI.git ``` 进入项目 ``` cd RakshakAI ``` 创建虚拟环境 ``` python -m venv venv ``` 激活环境 Windows ``` venv\Scripts\activate ``` Linux / Mac ``` source venv/bin/activate ``` 安装依赖项 ``` pip install -r requirements.txt ``` 运行 Flask ``` python app.py ``` 打开 ``` http://127.0.0.1:5000 ``` # 📊 威胁分析工作流 ``` User Input ↓ Flask Route ↓ Analyzer API ↓ Data Preprocessing ↓ AI Model Prediction ↓ Threat Engine ↓ Risk Calculation ↓ Explainable AI ↓ Dashboard ``` # 🎯 可解释 AI RakshakAI 不仅仅简单地将数据分类为安全或恶意。 每次预测包括： - 威胁类别 - 置信度分数 - 风险等级 - 风险评分 - AI 解释 - 安全建议 这有助于用户理解*为什么*会做出这样的预测。 # 📈 风险等级 | 风险评分 | 等级 | |------------|-------| | 0 – 25 | 低 | | 26 – 50 | 中 | | 51 – 75 | 高 | | 76 – 100 | 严重 | # 📸 截图 ## 仪表板 ``` Assets/screenshots/dashboard.png ``` ## 电子邮件分析器 ``` Assets/screenshots/email.png ``` ## URL 分析器 ``` Assets/screenshots/url.png ``` ## 二维码分析器 ``` Assets/screenshots/qr.png ``` ## UPI 分析器 ``` Assets/screenshots/upi.png ``` ## 深度伪造检测 ``` Assets/screenshots/deepfake.png ``` *（将截图上传到仓库后，请在此处添加。）* # 📚 数据集 该项目针对不同的网络威胁类别使用了多个数据集，包括： - 电子邮件钓鱼 - 恶意 URL - 短信诈骗 - WhatsApp 诈骗 - 虚假招聘信息 - 社会工程学消息 - UPI 欺诈 - 二维码威胁检测 - 深度伪造图像 # 🔮 未来增强计划 - 语音诈骗检测 - 浏览器扩展 - 电子邮件集成 - WhatsApp 集成 - 移动应用程序 - 云部署 - 实时威胁情报 - SIEM 集成 - AI 安全助手 - 多语言支持 # 📌 优势 - 模块化架构 - 多重检测引擎 - 快速预测 - 可解释 AI - 用户友好的仪表板 - 易于扩展 - 基于 AI 的威胁分析 # ⚠️ 局限性 - 性能取决于数据集质量。 - 模型需要定期重新训练。 - 深度伪造检测取决于图像质量。 - 由于缺乏足够庞大的多语言数据集，语音诈骗检测计划在未来版本中推出。 # 📄 许可证 该项目基于 MIT 许可证授权。

标签：Flask, masscan, 人工智能, 后端开发, 威胁情报平台, 搜索语句（dork）, 欺诈检测, 深度伪造检测, 用户模式Hook绕过, 网络安全, 逆向工具, 钓鱼检测, 隐私保护