GokulaDarshini06/CYBERGUARD
GitHub: GokulaDarshini06/CYBERGUARD
CyberGuard AI 是一个面向金融机构的 AI 驱动安全运营仪表板，通过关联交易行为与安全遥测数据实现实时欺诈检测与威胁预测。
Stars: 0 | Forks: 0
# 🛡️ CyberGuard AI：多向量银行网络安全与威胁预测仪表板
CyberGuard AI 是一个生产级、最先进的**安全运营中心 (SOC) 指挥仪表板**和**机器学习关联引擎**，旨在识别高风险的金融异常行为。通过将实时交易记录与活跃的用户安全日志遥测数据相结合，CyberGuard AI 能够以极高的精度阻止账户接管、暴力破解和地理速度绕过等威胁。
## 🧬 核心功能概述
1. **多向量遥测关联**：将传统的交易指标与活跃的网络安全信号（失败登录尝试、VPN 伪装、IP 信誉、设备指纹、不可能的地理移动速度）进行关联。
2. **可解释 AI (XAI)**：采用局部模型无关特征解释方法，为威胁评分提供人类可读的理由，协助 SOC 分析师在事件发生时进行即时分诊。
3. **量子风险监控 (HNDL)**：模拟跨区域网关的**先获取后解密 (HNDL)** 被动拦截，并支持将加密节点升级至 PQC 标准（Kyber-1024 / Dilithium-5）。
4. **统一的多界面支持**：
- **交互式 Web 小程序 (React/Express)**：在端口 `3000` 上运行的完整实时浏览器仪表板。
- **数据科学家仪表板 (Streamlit/Python)**：配备 Plotly 绘图引擎的动态 ML 专用交互界面。
## 📂 项目仓库结构
```
CYBERGUARD_AI/
│
├── src/ # React + TypeScript Frontend Files
│ ├── components/ # SOC Dashboard Views and Modular Elements
│ │ ├── About.tsx # Technical Blueprint Layout
│ │ ├── Analytics.tsx # Behavioral Aggregations (D3 & Recharts)
│ │ ├── Dashboard.tsx # Central Incident Feed
│ │ ├── LiveAlerts.tsx # Dynamic Alarm Stream
│ │ ├── QuantumMonitoring.tsx # Passive HNDL Cryptographic Monitor
│ │ └── ThreatPrediction.tsx # Dynamic ML Prediction Sandbox
│ │
│ ├── App.tsx # Central React Component
│ ├── dataGenerator.ts # Core dataset generators
│ └── types.ts # Shared TypeScript Interfaces
│
├── server.ts # Full-Stack Node.js Express server with Vite integrations
├── create_banking_dataset.py # Python script to generate real-world matched telemetry
├── train_model.py # ML pipeline: features extraction and Random Forest training
├── utils.py # Local XAI logic & PQC telemetry generator
├── app.py # Streamlit Python Interactive Dashboard
├── requirements.txt # Python packages manifest
├── package.json # Node.js project manifest & script commands
└── README.md # Comprehensive documentation handbook
```
## ⚙️ 核心技术指南与实现
### 1. 数据清洗与关联 Pipeline (`create_banking_dataset.py`)
此脚本会自动为您的工作区生成超过 **5,000 个唯一的客户配置**、**10,000 笔交易**以及 **10,000 条安全日志**，其威胁关联比率模拟了公开的 Kaggle 数据集（例如 PaySim 和信用卡欺诈数据集）：
- **客户配置 (`customers.csv`)**：包含姓名、账号、分支机构列表和账户级别。
- **网络遥测日志 (`security_logs.csv`)**：包含失败登录、VPN 标志、IP 信誉、不可能的地理速度标志以及多会话 token。
- **交易日志 (`transactions.csv`)**：追踪 RTGS/NEFT/UPI/IMPS/ATM 转账渠道、异常时间矩阵、收款方骡子账户以及交易金额。
要构建数据集，请执行：
```
python create_banking_dataset.py
```
### 2. 机器学习训练器 (`train_model.py`)
对生成的 CSV 文件进行预处理，执行标准化缩放，并拟合一个带有平衡类别权重的优化版 **Random Forest Classifier**，以弥补基准欺诈率的影响。
- 评估保留集的准确率、精确率和召回率。
- 将序列化的二进制文件保存至：
- `models/threat_detection_model.pkl`
- `models/threat_detection_scaler.pkl`
要训练并构建 ML 模型，请执行：
```
python train_model.py
```
## 🚀 执行与快速入门指南
### 运行 Python Streamlit 仪表板
要启动专业级的 Python/Plotly 仪表板，请确保您在本地已安装 python 和 pip，然后运行：
1. **安装依赖项**：
pip install -r requirements.txt
2. **构建数据集并训练模型**：
python train_model.py
3. **启动仪表板**：
streamlit run app.py
### 运行全栈 Web 小程序 (React + Node.js)
要启动交互式的全栈 React 界面（Vite + Express 后端，运行在端口 `3000`）：
1. **安装 Node 模块**：
npm install
2. **启动开发服务器**：
npm run dev
## 🎨 专业安全主题调色板
设计与经典的 SOC 美学保持一致：
- **背景画布**：`#0B1220` (午夜板岩色)
- **组件卡片**：`#16213E` (深海军蓝)
- **强调高亮**：`#00C2FF` (青色辉光)
- **成功指标**：`#00E676` (霓虹绿)
- **严重警报**：`#FF5252` (异常猩红色)
- **易读文本**：`#F8FAFC` (幽灵白)
标签：AI安全, Chat Copilot, IP 地址批量处理, Kubernetes, MITM代理, React, Streamlit, Syscalls, Web前端, 反欺诈, 后量子密码学, 威胁情报, 安全运营中心(SOC), 开发者工具, 访问控制, 逆向工具