Richierich69696/AI-Powered-Password-Cracker-Detector

# AI 驱动的密码破解检测器 大多数安全工具专注于破解密码。 这款工具专注于捕获尝试破解的人。 暴力破解攻击遵循可预测的模式——高频率、短时间间隔、系统性的用户名和密码组合。 本项目训练一个机器学习模型来识别这些特定模式，并在攻击成功之前将其标记。 ## 我为什么构建这个 密码攻击是进入任何系统最常见的入口点之一。在网络安全领域工作，我亲眼见证了暴力破解尝试如果没有监控会多么快速地升级。 这个项目让我从零开始构建检测逻辑，积累了实践经验——不仅理解攻击正在发生，而且理解数据为何呈现那种样子。 ## 它做什么 分析登录尝试日志——具体是尝试次数和尝试之间的时间间隔——并将每个会话分类为正常用户行为或主动攻击。标记任何符合已知暴力破解模式的内容。 ## 工具和库 Python 3.11 — 核心语言 scikit-learn — 逻辑回归分类器 pandas — 数据加载和特征工程 ## 工作原理： ### 第 1 步 — 构建训练数据集 创建带有标签登录会话的 logs.csv： tries,time_gap,label 1,10,0 2,8,0 1,15,0 5,0.1,1 10,0.05,1 8,0.2,1 3,0.3,1 0 = 正常登录行为 1 = 暴力破解或破解尝试 正常用户在尝试之间会花费时间。攻击者快速移动且数量很高。这就是模型学习的特征。 ### 第 2 步 — 安装依赖 pip install scikit-learn pip install pandas ### 第 3 步 — 训练和运行 保存为 crack_detector.py： ```python import pandas as pd from sklearn.linear_model import LogisticRegression # Load labeled login data logs = pd.read_csv("logs.csv") # Train on attempt patterns model = LogisticRegression() model.fit(logs[["tries", "time_gap"]], logs["label"]) # Evaluate new login session new_session = pd.DataFrame([[10, 0.05]], columns=["tries", "time_gap"]) prediction = model.predict(new_session) if prediction[0] == 1: print("THREAT — Brute force pattern detected. Block and alert.") else: print("CLEAR — Normal login behavior.") ``` 运行它： python crack_detector.py ### 第 4 步 — 示例输出 # 正常用户 tries=2, time_gap=8s → CLEAR — Normal login behavior. # 主动攻击 tries=10, time_gap=0.05s → THREAT — Brute force pattern detected. Block and alert. ## 局限性和下一步 小数据集 — 逻辑回归需要大量数据才能泛化。添加 50+ 个带标签的会话以实现可靠检测。 特征扩展 — 添加源 IP、用户名变化率和地理异常将显著减少误报。 阈值调优 — 在安全环境中，漏掉攻击比误报更糟糕。调整决策边界以偏向检测而非精确度。 真实数据 — 从 Windows 事件查看器使用事件 ID 4625 或从 Splunk 拉取实际失败登录事件，以获取生产级训练数据。 ## 我学到了什么 从数据层面了解暴力破解攻击与正常行为的区别 为什么基于时间的特征在异常检测中与数量同样重要 如何将监督分类应用于实际安全问题 安全 ML 中检测灵敏度与误报率之间的关系 $ echo connect_with_me: ╔═════════════════════════════════════╗ ║ LinkedIn→ linkedin.com/in/rajesh-rathlavathu23║ ║ Portfolio → Richierich69696.github.io ║ ║ Email → rajeshrathlavathu@gmail.com ║ ║ GitHub → github.com/Richierich69696 ║ ╚══════════════════════════════════

标签：AI安全, AMSI绕过, Apex, Chat Copilot, pandas, PFX证书, Python, scikit-learn, 免杀技术, 凭证安全, 威胁检测, 安全运营, 实时检测, 密码安全, 异常检测, 扫描框架, 攻击检测, 数据科学, 无后门, 暴力破解检测, 机器学习, 登录安全, 红队行动, 网络安全, 资源验证, 逻辑回归, 隐私保护