hitain18/AI-Based-Military-Intelligence-Threat-Analysis-Dashboard

# 🛰️ 基于 AI 的军事情报与威胁分析仪表板 这是一个端到端的数据科学与机器学习应用，用于分析安全/冲突事件记录，并使用训练好的分类器预测新事件的**威胁等级**（低 / 中 / 高），所有功能都封装在一个高级深色主题的 Streamlit 情报仪表板中。 ## 📌 项目概述 该仪表板模拟了国防分析师的工作站：它接收包含 20,000 条记录的合成事件数据集，运行完整的 ML pipeline 来训练和比较五种分类算法，并通过五个交互式仪表板页面展示结果 —— 实时监控、数据探索、可视化分析、威胁预测和自动化情报报告。 ## ✨ 功能 ### 📊 仪表板 - 关键指标：总事件数、平均伤亡人数、高威胁率、受监控国家数 - 威胁等级分布圆环图 - 按事件数量排名的前 10 个国家 - 带有颜色编码威胁徽章的近期事件流 ### 🔎 数据探索器 - 多字段过滤（国家、攻击类型、威胁等级、日期范围） - 跨所有列的自由文本搜索 - 可排序、可滚动的交互式表格 - 一键导出过滤后的 CSV 结果 ### 📈 可视化分析 - 攻击类型和武器类型频率图表 - 区域 → 国家 → 攻击类型树状图 - 交互式世界事件地图（散点地理图，按威胁进行颜色编码） - 按综合风险指数排名的前 12 个国家 - 每月事件数量与伤亡趋势线 - 完整的数值相关矩阵（热力图） - 响应时间与伤亡人数散点图 ### 🎯 威胁预测 - 完整的事件参数输入表单 - 实时 ML 推理：预测的威胁等级、置信度百分比以及 0–100 的风险评分仪表 - 各类别概率条形图 - 基于规则的安全建议 ### 📄 情报报告 - 根据实时数据自动生成的执行摘要 - 模型性能比较表 - 前 10 个国家风险排名 - 异常事件检测（统计异常值） - 可导出报告（应用内 TXT 导出，以及独立的 PDF 生成脚本） ### 🧠 机器学习 - 训练和比较的模型：Random Forest、Gradient Boosting、Decision Tree、Logistic Regression 和 XGBoost（如果已安装） - 根据加权 F1-score 自动选择最佳模型 - 完整的预处理 pipeline：缺失值插补、特征工程、类别编码、标准化 —— 在训练和实时推理中完全共享 - 持久化的产出物：训练好的模型（`.pkl`）、拟合好的预处理器（`.pkl`），以及每个训练模型的指标 JSON（准确率、F1、ROC-AUC、混淆矩阵、分类报告、特征重要性） ## 🛠️ 技术栈 | 层级 | 技术 | |---|---| | 语言 | Python 3.10+ | | 应用框架 | Streamlit | | 数据处理 | Pandas, NumPy | | 机器学习 | Scikit-Learn, XGBoost | | 可视化 | Plotly, Matplotlib | | 模型持久化 | Joblib | | PDF 报告 | fpdf2 | ## 📂 文件夹结构 ``` AI_Military_Dashboard/ │ ├── app.py # Main Streamlit application (all 5 dashboard pages) ├── utils.py # Shared helper functions (caching, prediction, formatting) ├── preprocessing.py # IncidentPreprocessor: cleaning, feature engineering, encoding ├── train_model.py # Trains & compares 5 ML models, saves the best one ├── generate_dataset.py # Generates the 20,000-record synthetic dataset ├── generate_report.py # Standalone PDF intelligence report generator ├── requirements.txt # Python dependencies ├── README.md # This file │ ├── dataset/ │ └── incidents.csv # Generated synthetic incident dataset │ ├── models/ │ ├── threat_model.pkl # Best trained classifier (auto-selected) │ ├── preprocessor.pkl # Fitted preprocessing pipeline │ └── metrics.json # Full model comparison & evaluation metrics │ ├── notebooks/ # (optional) space for exploratory analysis notebooks ├── assets/ # Static assets (screenshots, icons, etc.) └── report.pdf # Generated by generate_report.py ``` ## 🚀 安装说明 1. **克隆 / 解压项目** 并进入项目文件夹： cd AI_Military_Dashboard 2. **创建虚拟环境（推荐）：** python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate 3. **安装依赖项：** pip install -r requirements.txt ## ▶️ 运行说明 数据集和训练好的模型已包含在 `dataset/` 和 `models/` 文件夹中，因此您可以立即启动仪表板： ``` streamlit run app.py ``` 应用程序将自动在您的浏览器中通过 `http://localhost:8501` 打开。 ### 从头开始重新生成数据集和模型 如果您想从零开始重建所有内容（例如使用不同的随机种子或记录数）： ``` python generate_dataset.py # regenerates dataset/incidents.csv python train_model.py # retrains all models, saves the best to models/ ``` ### 生成独立的 PDF 报告 ``` python generate_report.py # produces report.pdf in the project root ``` ## 🖼️ 截图 - `assets/screenshot_dashboard.png` - `assets/screenshot_explorer.png` - `assets/screenshot_analytics.png` - `assets/screenshot_prediction.png` - `assets/screenshot_report.png` ## 📊 数据集说明 该数据集是**完全合成的**，由 `generate_dataset.py` 使用随机但符合统计规律的逻辑生成（用于伤亡和频率计数的指数/泊松分布，用于地图合理性的区域经纬度边界框，以及产生可供 ML 模型学习的低/中/高信号的加权综合评分函数）。它模仿了全球恐怖主义数据库 (GTD) 和 UCDP 冲突数据集等公开来源的结构，但未复制任何实际记录。 数据集列：`Incident_ID`、`Country`、`Region`、`Latitude`、`Longitude`、`Date`、`Attack_Type`、`Target_Type`、`Weapon_Type`、`Casualties`、`Civilian_Casualties`、`Military_Casualties`、`Infrastructure_Damage`、`Intel_Reliability`、`Previous_Attacks`、`Border_Activity`、`Cyber_Involvement`、`Threat_Source`、`Response_Time`、`Weather`、`Population_Density`、`Economic_Importance`、`Strategic_Value`、`Threat_Level`。 ## 🔮 未来改进 - 整合真实的匿名/聚合公开数据集（例如 GTD、UCDP）作为备选数据源切换开关 - 添加时间序列预测（Prophet / ARIMA）以进行事件量预测 - 添加用户身份验证和基于角色的访问，以提供更逼真的操作中心体验 - 为单个预测添加基于 SHAP 的可解释性 - 使用 Docker 进行容器化，实现一键部署 - 为预处理和预测 pipeline 添加自动化单元测试 (pytest) ## 📄 许可证 本项目仅提供用于教育/学术目的。

标签：Apex, Kubernetes, Web仪表盘, 代码示例, 数据分析, 数据科学, 机器学习, 资源验证, 逆向工具, 预测模型