efloq/network-attack-detection-dashboard
GitHub: efloq/Intelligent-Network-Intrusion-Detection-Risk-Analysis-System
基于 Random Forest 与 NFStream 构建的交互式网络攻击检测仪表板，支持从 CSV 数据集和 PCAP 文件中识别可疑流量与攻击行为。
Stars: 0 | Forks: 0
# 🛡️ 网络攻击检测仪表板
### 机器学习与基于流的网络流量分析
这是一个现代化的网络安全仪表板，结合了**机器学习**和**基于流的网络分析**技术，用于从 CSV 数据集和 PCAP 文件中检测可疑的网络活动。
# 📌 概述
网络攻击检测仪表板是在 **Microsoft AI Innovators 实习项目**期间开发的一款网络安全分析平台。
该应用程序提供了两个独立的分析模块：
- 🤖 **CSV 分析**：使用在 CICIDS2017 数据集上训练的 Random Forest 模型。
- 🌐 **PCAP 分析**：使用 NFStream 提取网络流，并执行基于规则的安全评估。
该仪表板通过交互式的 Streamlit 界面，展示攻击预测、置信度分数、可视化分析以及可下载的报告。
# ✨ 功能
## 🤖 机器学习分析
- Random Forest 攻击检测
- 支持 CICIDS2017 数据集
- 77 项网络流量特征
- 15 种攻击类别
- 置信度分数
- 第二高概率类别
- 风险等级评估
- 交互式图表
- 导出 CSV 报告
- 缺失值 / NaN / 无穷大值验证
## 🌐 PCAP 流量分析
- NFStream 流提取
- 协议统计
- 流量可视化
- Top Talkers 分析
- 端口分析
- 基于规则的安全评估
- 搜索与过滤
- 可排序的流表格
- 导出 CSV 报告
# 🖼️ 截图
## 仪表板
## CSV 分析
## CSV 可视化分析
## PCAP 流量分析
# 🛠️ 技术
| 类别 | 技术 |
|----------|--------------|
| 编程语言 | Python |
| 用户界面 | Streamlit |
| 机器学习 | Scikit-learn |
| 模型 | Random Forest |
| 网络分析 | NFStream |
| 数据处理 | Pandas |
| 数据可视化 | Matplotlib |
# 📂 项目结构
```
network-attack-detection-dashboard
│
├── app.py
├── csv_analyzer.py
├── pcap_analyzer.py
├── ui.py
├── helpers.py
├── constants.py
├── network_attack_detector.pkl
├── label_encoder.pkl
├── requirements.txt
├── LICENSE
└── screenshots/
├── dashboard.png
├── csv-analysis.png
├── csv-visualization.png
└── pcap-analysis.png
```
# 🚀 安装说明
```
git clone https://github.com/efloq/network-attack-detection-dashboard.git
cd network-attack-detection-dashboard
python -m venv venv
# macOS / Linux
source venv/bin/activate
# Windows
venv\Scripts\activate
pip install -r requirements.txt
streamlit run app.py
```
# 📊 支持的文件
| 分析类型 | 格式 |
|----------|--------|
| 机器学习分析 | `.csv` |
| 网络流量分析 | `.pcap`, `.pcapng` |
# 👩💻 开发者
**Elifnur Sertkaya**
Microsoft AI Innovators 实习项目
# 📄 许可证
本项目基于 **MIT License** 授权。标签：Apex, Kubernetes, MSSQL, Python, Streamlit, 无后门, 机器学习, 网络安全, 网络流量分析, 访问控制, 逆向工具, 隐私保护