GopiChand-Kanisetti25/ai-threat-detection-incident-response

# AI 驱动的威胁检测与事件响应系统 ## 📌 概述 AI 驱动的威胁检测与事件响应系统是一个基于机器学习的网络安全应用程序，它使用 NSL-KDD 数据集来检测网络威胁。该系统利用 FastAPI 提供用于威胁预测、事件记录、仪表板分析和事件管理的 REST API。 ## 🚀 功能特性 - 基于机器学习的威胁检测 - 使用随机森林进行网络入侵预测 - 威胁严重性分类（低、中、高） - FastAPI REST API - SQLite 数据库集成 - 事件记录 - 仪表板统计数据 - 针对事件的 CRUD 操作 - 针对高严重性威胁的电子邮件警报模拟 - 交互式 Swagger API 文档 ## 🛠️ 使用的技术 - Python - FastAPI - Scikit-learn - Pandas - NumPy - SQLite - Uvicorn - Pydantic - Joblib ## 📂 项目结构 ``` AI-Driven-Threat-Detection/ │── model.pkl │── label_encoder.pkl │── threat_logs.db │── main.py │── requirements.txt │── README.md │── dataset/ │── notebooks/ ``` ## ⚙️ 安装说明 克隆仓库： ``` git clone https://github.com/your-username/your-repository.git ``` 进入项目文件夹： ``` cd your-repository ``` 安装依赖项： ``` pip install -r requirements.txt ``` 运行应用程序： ``` uvicorn main:app --reload ``` ## 📡 API 端点 | 方法 | 端点 | 描述 | |---------|----------|-------------| | GET | / | 主 API | | POST | /predict | 预测网络威胁 | | GET | /logs | 查看威胁日志 | | GET | /dashboard | 查看仪表板统计数据 | | PUT | /incident/{id} | 更新事件严重性 | | DELETE | /incident/{id} | 删除事件 | ## 📊 机器学习模型 - 数据集：NSL-KDD - 算法：随机森林分类器 (Random Forest Classifier) - 威胁分类 - 置信度得分预测 ## 📈 仪表板 仪表板提供以下信息： - 威胁总数 - 高严重性威胁 - 中严重性威胁 - 低严重性威胁 ## 📧 电子邮件警报 每当检测到高严重性威胁时，应用程序都会生成电子邮件警报模拟。 ## 📷 Swagger 文档 运行应用程序后，打开： ``` http://127.0.0.1:8000/docs ``` 以使用 Swagger UI 测试所有 API。 ## 🔮 未来改进 - JWT 身份验证 - Docker 支持 - 云部署 - PDF 报告生成 - 真实的电子邮件通知 - PostgreSQL 集成 ## 👨‍💻 作者 **Kavya Sri** B.Tech 最后一年 – 计算机科学与网络安全 ## ⭐ 如果您觉得这个项目有用，请考虑给它点个 Star。

标签：Apex, AV绕过, FastAPI, 人工智能, 库, 应急响应, 机器学习, 用户模式Hook绕过, 网络安全, 逆向工具, 隐私保护