prajwal912w/anomaly-ids-ai

# 🔐 基于异常的入侵检测系统 一个实时的入侵检测系统 (IDS)，利用机器学习 (Isolation Forest) 来检测网络流量中的异常。 ## 📌 概述 本项目捕获实时的网络数据包，并使用经过训练的机器学习模型对其进行分析，以识别可疑或异常的行为。它通过学习正常的流量模式，帮助检测未知的网络攻击。 ## 🚀 功能 - 使用 Scapy 进行实时数据包捕获 - 基于机器学习的异常检测 - 未知攻击检测 - 基于严重程度的警报 (低 / 中 / 高) - 带有实时日志和可视化功能的 GUI 仪表板 - 入侵声音警报 - 日志存储和导出功能 ## 🛠 使用的技术 - Python - Scapy - Scikit-learn - Tkinter - Matplotlib - NumPy, Joblib ## ▶️ 如何运行 1. 安装依赖：# 🔐 基于异常的入侵检测系统 一个实时的入侵检测系统 (IDS)，利用机器学习 (Isolation Forest) 来检测网络流量中的异常。 ## 📌 概述 本项目捕获实时的网络数据包，并使用经过训练的机器学习模型对其进行分析，以识别可疑或异常的行为。它通过学习正常的流量模式，帮助检测未知的网络攻击。 ## 🚀 功能 - 使用 Scapy 进行实时数据包捕获 - 基于机器学习的异常检测 - 未知攻击检测 - 基于严重程度的警报 (低 / 中 / 高) - 带有实时日志和可视化功能的 GUI 仪表板 - 入侵声音警报 - 日志存储和导出功能 ## 🛠 使用的技术 - Python - Scapy - Scikit-learn - Tkinter - Matplotlib - NumPy, Joblib ## ▶️ 如何运行 1. 安装依赖：pip install scapy numpy scikit-learn matplotlib 2. 运行项目：python ids_dashboard.py ## 📊 输出 - 显示实时网络流量 - 检测异常并发出警报 - 显示实时图表和统计数据 ## 🎯 未来展望 - 基于 Web 的仪表板 - 攻击类型分类 - 与真实网络数据集成 ## 🎤 项目总结 本项目演示了一个使用机器学习和可视化的实时、基于异常的 IDS，模拟了一个基础的安全运营中心 (SOC) 系统。

标签：Apex, Python, Sysdig, 入侵检测系统, 威胁情报, 安全数据湖, 开发者工具, 异常检测, 无后门, 机器学习, 网络安全, 网络流量分析, 逆向工具, 防御绕过, 隐私保护