opendr-io/causality

 ### CAUSALITY 是一个入侵预测模型，能够成功预测被列入关注列表的 CVE，预警时间从几天到几个月不等。每一次我们将事件响应转化为事件规避，都能真正做到"在爆炸之前"防护，从而过上更轻松的生活。风险规避不仅为忙碌的 DevOps 团队，还为安全团队节省时间，同时比传统或手动流程产生更大的 CVE 风险降低速度。 ### 目录： [结果](journal.md) 包含可验证正确预测的历史记录。 [网页]( 包含一个带有搜索界面的 Streamlit 应用，用于查询评分数据。支持按 CVE（精确匹配）或其他字段进行搜索。2024 年 1 月至 2025 年 8 月期间的 CVE 评分可用；2024 年之前的年份我尚未评分，如果您需要可以联系我。 [causality.ipynb](notebooks/causality.ipynb)：一个用于处理漏洞数据并添加 CAUSALITY 模型生成评分的 Jupyter 笔记本。可以在您的数据所在位置运行，无需运行模型或传输数据到任何地方。已发布的评分从本仓库中的文本文件加载。不会有数据从用户组织流出。该模型目前尚未开源，但您不需要它来使用评分。 [2025](

标签：AMSI绕过, Apex, Cloudflare, CVE管理, CVSS, EPSS, Jupyter, Kubernetes, MITRE ATT&CK, Streamlit, XSS, 入侵预测, 入侵预防, 威胁建模, 威胁情报, 威胁检测, 安全团队, 安全运营, 开发者工具, 扫描框架, 机器学习, 漏洞优先级, 漏洞利用预防, 漏洞情报, 漏洞管理平台, 漏洞评级, 漏洞预测, 网络安全, 访问控制, 逆向工具, 隐私保护, 预测模型, 风险规避