Hrichy-0/Credential-Stuffing-Simulator
GitHub: Hrichy-0/Credential-Stuffing-Simulator
该项目通过模拟银行 API 流量并利用 Isolation Forest 无监督学习，研究如何从正常用户行为中检测 credential stuffing 攻击。
Stars: 0 | Forks: 0
# Credential-Stuffing-Simulator: 无监督机器学习
## 概述
本项目模拟了一个高度逼真的银行 API 环境，用于生成、分析和分类合成网络流量。通过构建自定义的多线程 orchestrator，我生成了一个包含合法人类用户和恶意行为者（Brute-Forcer 和 Password Sprayer）的平衡数据集。随后，我设计了行为特征，并部署了 Isolation Forest 机器学习模型来追踪异常。
## 🏗️ 架构与方法论
1. **目标 (Flask)：** 构建了一个本地银行 API，配置为记录传入的请求头、IP 地址和认证状态。
2. **网络靶场 (Python/Concurrent Futures)：** 设计了一个多线程流量生成器，模拟三种不同的行为特征：
* **正常人类：** 笨拙的输入（20% 的错误率），静态 IP，针对单一账户。
* **Brute-Force Bots：** 高频率，快速轮换 IP，针对大量唯一的用户名。
* **Password Sprayers：** “低速慢速”频率，在多个账户中尝试单一密码，以规避基本的速率限制。
3. **特征工程 (Pandas)：** 提取原始 JSON 日志，并设计了高级行为特征，包括请求速率（请求之间的时间）、唯一账户针对性和失败率。
4. **威胁追踪 (Scikit-Learn)：** 调整了无监督 Isolation Forest 算法，以成功将合法客户的噪音与针对性的网络攻击区分开来。
5. **探索性数据分析 (Seaborn/Plotly)：** 使用 3D 散点图、相关性热力图和特征分布箱线图来描绘 AI 的决策边界。
## 📊 关键发现与可视化
*(将你的截图上传到 `images` 文件夹并在此处链接它们)*
* **基准错觉：** 发现并修复了一个逻辑缺陷，在该缺陷中，AI 最初由于严格的污染约束而将大量操作的正常人类用户标记为异常。
* **特征分离：** Seaborn Pairplots 证明，`unique_usernames` 结合 `failure_rate` 为识别 credential stuffing 创造了一个近乎完美的数学边界。
## 🛠️ 技术栈
* **模拟：** Python, Flask, Concurrent Futures, Faker
* **数据科学：** Pandas, Scikit-Learn (Isolation Forest)
* **数据可视化：** Plotly (3D 交互式), Seaborn, Matplotlib
### 📊 关键发现与可视化
**3D 威胁全景**
)
**相关性热力图**
)
**威胁数据 Pairplot**
)
标签：Apex, Flask, Python, Scikit-Learn, 代码示例, 异常检测, 数据分析, 无后门, 机器学习, 网络安全, 逆向工具, 隐私保护