SiddhantDixit1/AI-Military-Threat-Intelligence-Dashboard

# AI 威胁分析仪表盘 — 构建日志 ## 目前已完成的工作 | 模块 | 文件 | 用途 | |---|---|---| | 1 | `data_pipeline.py` | 合成多模态 GEOINT/SIGINT/Cyber 生成器、预处理、后台流式传输 worker | | 2 | `model_engine.py` | RandomForest/XGBoost 威胁分类器 + SHAP（或降级备选方案）可解释性 + 风险评分 | | 3 | `app.py` | Streamlit 仪表盘 — 战术地图、实时侧边栏指标、警报滚动条、XAI 面板、可过滤的威胁表、分析图表 | 这三个模块都已通过语法检查，并且模块 1–2 已在沙箱环境中完成了端到端运行 （训练、实时流生成、预测和解释），该环境安装了 `numpy`/`pandas`/`scikit-learn`/`joblib`，但**未**安装 `xgboost`/`shap`/ `streamlit`/`pydeck`/`plotly` — 这恰好验证了 优雅降级路径（RandomForest 降级备选、加权重要性 XAI 降级备选），而要在安装了完整依赖集的您的机器上，还需要对主路径进行测试。 ## 安装与运行 ``` python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate pip install -r requirements.txt streamlit run app.py ``` 首次启动会训练模型（需要几秒钟）并将其持久化到 `artifacts/` 目录。随后的启动会瞬间加载缓存的模型。使用 侧边栏“Model Info”面板中的“Force Retrain Model”即可按需重新训练。 ## 注意事项与局限性（在将其视为超出作品集展示范畴的实际项目前，请先阅读此部分） - **所有数据均为合成数据。** GEOINT/SIGINT/Cyber 的值是在 `data_pipeline.py` 中从类条件高斯分布中提取的 — 本 项目中没有任何真实的传感器数据源、机密来源或个人数据。 - “Live Model Accuracy”指标是将预测结果与 用于生成每条记录的模拟真实标签进行对比 — 这只有 在数据为合成数据的情况下才可能实现；真实的系统将需要适当的 影子模式评估 pipeline，以对比分析师确认的结果。 - 真实的生产系统将需要：真实的传感器集成、使用 消息代理替代进程内线程 + 队列、经过身份验证的多用户 访问、审计日志，以及在任何风险评分影响 实际决策之前进行的人在回路 验证。 ## 后续模块（提案 — 完整讨论请参见聊天记录） 尚未开始：`correlation_engine.py`, `forecasting_engine.py`, `graph_engine.py`, `map_engine.py`（热力图/飞行路径）、`report_engine.py` （导出 PDF/CSV/Excel）、`authentication.py`（基于角色的登录）、模型动物园 对比面板，以及整合版的生产 README。 # AI-Military-Threat-Intelligence-Dashboard

标签：Apex, Kubernetes, Python, Streamlit, 人工智能, 威胁分析, 无后门, 机器学习, 用户模式Hook绕过, 自动化侦查工具, 访问控制, 逆向工具