Skip to content
KitploitKITPLOIT
أدواتعمليات الاستغلالالمدونة
Log in
إرسال
أدواتعمليات الاستغلالالمدونة
إرسال

أدوات الاختراق واختبار الاختراق والأمن السيبراني لترسانتك الأمنية!

Kitploit هو دليل لأدوات الاختراق والأمن السيبراني واختبار الاختراق. اكتشف آخر تحديثات المشاريع للعثور على الثغرات وتحليل الأنظمة وأتمتة الاختبارات وتعزيز أمنك.

··الخلاصات·اتصال·الخصوصية·© 2026 Kitploit

دليل الأدوات

الفئات

عرض جميع الفئات
Loading categories
URL_CHECKER — كاشف تصيد URL هجين يعتمد على ML والقواعد الاستدلالية مع تحليل فوري ودرجات ثقة قابلة للتفسير و REST API لاختبار الأمان البرمجي. | Kitploit
أدوات/GitHubGitHub/mannansainicyber/url_checker
تحليل الثغرات الأمنيةاختبار أمان APIالتصيد الاحتياليأمن الويبتعلم الآلةالتعلم والتعليم
GitHubmannansainicyber/url_checker

URL_CHECKER

كاشف تصيد URL هجين يعتمد على ML والقواعد الاستدلالية مع تحليل فوري ودرجات ثقة قابلة للتفسير و REST API لاختبار الأمان البرمجي.

عرض المستودع
119منذ 6 أشهرلم تتم المراجعة بعد

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →
مشاركة

مدقق URL للتصيد

Python Flask Scikit-Learn License

أداة ويب خفيفة الوزن تكتشف ما إذا كان عنوان URL يحتمل أن يكون تصيدًا أو آمنًا باستخدام نهج هجين من التعلم الآلي (Random Forest/SVM) والتحليل القائم على القواعد الاستدلالية.

مبنية للأغراض التعليمية والتجريبية في مجال الأمن السيبراني والذكاء الاصطناعي التطبيقي.


نظرة عامة

تعتمد هجمات التصيد غالبًا على الخداع البصري والتلاعب بعناوين URL. تحلل هذه الأداة بنية ومحتوى عنوان URL لتحديد نواياه الخبيثة.

الميزات الرئيسية

  • تحليل فوري: يقبل عنوان URL ويعالجه بشكل فوري.
  • كشف هجين: يجمع بين احتمالية التعلم الآلي والقواعد الأمنية الصلبة.
  • قابلية التفسير: يُرجع درجة ثقة وأسبابًا قابلة للقراءة البشرية (مثل "تم العثور على كلمات مفتاحية مشبوهة").
  • الأداء: يخزن النتائج مؤقتًا محليًا لتقليل المعالجة المتكررة.
  • دعم API: يتضمن نقطة نهاية JSON للوصول البرمجي.

كيف يعمل

  1. الإدخال: يقدم المستخدم عنوان URL عبر الواجهة أو API.
  2. التطبيع: يتم تنظيف عنوان URL وتحليل مكوناته القياسية.
  3. استخراج الميزات: يستخرج النظام ميزات رقمية وفئوية (مثل الطول، عدد الأحرف الخاصة، عمر النطاق).
  4. التنبؤ:
    • يقوم نموذج التعلم الآلي بحساب درجة الاحتمال.
    • يفحص المنطق القائم على القواعد العلامات الحمراء المعروفة.
  5. الإخراج: يتم إرجاع استجابة JSON تحتوي على الحكم وتخزينها مؤقتًا للاستعلامات المستقبلية.

Alt text


الإعداد

  1. استنساخ المستودع
  2. تثبيت التبعيات: pip install -r requirements.txt
  3. تحميل مجموعة البيانات من Kaggle ووضع dataset_phishing.csv في الجذر
  4. تشغيل python retrain.py لإنشاء model.pkl
  5. تشغيل python app.py

التقنيات المستخدمة

  • الأساس: Python 3.x
  • إطار الويب: Flask
  • التعلم الآلي: scikit-learn, pandas, joblib
  • الهندسة المعمارية: REST API + واجهة أمامية بسيطة HTML/CSS

⚠️ إخلاء مسؤولية

  • للاستخدام التعليمي فقط: لا تضمن هذه الأداة حماية بنسبة 100% ضد هجمات التصيد.

  • التنبؤات احتمالية وتعتمد على بيانات التدريب المستخدمة.

  • قد تحدث نتائج إيجابية كاذبة (مواقع آمنة تم تصنيفها كتصيد) ونتائج سلبية كاذبة (مواقع تصيد تم تصنيفها كآمنة).

  • لا تعتمد على هذه الأداة كإجراء أمني وحيد لك.

تنزيل الأداة