نظام كشف التسلل للهواتف المحمولة

يطبق هذا المشروع نظام كشف التسلل للهواتف المحمولة الذي يعالج حركة مرور الشبكة الملتقطة من الأجهزة المحمولة، ويجري هندسة الميزات، ويستخدم نموذج تعلّم عميق قائم على التشفير التلقائي (autoencoder) لكشف تدفقات الشبكة الشاذة. تُستخدم معلومات التهديدات الخارجية وبيانات القائمة البيضاء لتقليل الإيجابيات الكاذبة وتعزيز دقة الكشف.

جدول المحتويات

• الميزات
• نظرة عامة على البنية
• التثبيت وإعداد البيئة
• الاستخدام
  • وضع التدريب
  • وضع التنبؤ
  • وضع لوحة المعلومات
• مصادر البيانات والمراجع الخارجية
• الخاتمة والعمل المستقبلي
• المراجع
• الترخيص

الميزات

• التقاط تدفقات الشبكة: يستخدم MITMProxy لالتقاط تدفقات HTTP من الأجهزة المحمولة.
• معالجة التدفقات وأرشفتها: يؤرشف عمليات التقاط التدفقات السابقة بإعادة تسمية flows.mitm إلى flows_1.mitm لتجنب الكتابة فوقها، ثم يعالج عمليات الالتقاط الجديدة.
• هندسة الميزات: يستخرج الميزات من التدفقات الملتقطة ويُطبّعها ويحوّلها إلى متجهات (باستخدام TF-IDF).
• كشف الشذوذ: يدرّب نموذج تشفير تلقائي على البيانات التاريخية لتعلّم السلوك الطبيعي وتمييز التدفقات الشاذة بناءً على أخطاء إعادة البناء.
• تصفية القائمة البيضاء: يطبّق تصفية القائمة البيضاء باستخدام بيانات من مصادر مثل Majestic Million ونطاقات Top 1M (Kaggle) لتصفية الشذوذات الحميدة.
• وضع التنبؤ: يعالج البيانات الملتقطة الجديدة، ويطبّق النموذج المدرّب، ويُخرج الشذوذات مع المقاييس.
• وضع لوحة المعلومات: يوفر لوحة معلومات تفاعلية (مبنية باستخدام Streamlit وPlotly) لتصور النتائج وتحليلها.

نظرة عامة على البنية

1. التقاط التدفقات وأرشفتها

   • يلتقط MITMProxy تدفقات الشبكة من الأجهزة المحمولة.
   • تُعاد تسمية ملف الالتقاط الموجود (flows.mitm) إلى flows_1.mitm قبل الالتقاط الجديد لتجنب الكتابة فوقه.
   • ثم تُحوَّل التدفقات الملتقطة إلى صيغتي CSV وJSON.

2. هندسة الميزات

   • تُستخرج الميزات من التدفقات المعالجة.
   • تُطبَّع البيانات باستخدام مُطبِّع (scaler) وتُحوَّل إلى متجهات باستخدام TF-IDF.
   • تُحفظ الميزات المهندَسة في ملف CSV وتُستخدم لتدريب النموذج والتنبؤ.

3. تدريب النموذج والتنبؤ

   • وضع التدريب: يعالج البيانات التاريخية لتدريب نموذج التشفير التلقائي. تُحفظ مخرجات النموذج، مثل النموذج المدرّب والمُطبِّع.
   • وضع التنبؤ: يعالج البيانات الملتقطة الجديدة، ويجري التنبؤات باستخدام النموذج المدرّب، ويطبّق تصفية القائمة البيضاء لتقليل الإيجابيات الكاذبة.

4. التصور ولوحة المعلومات (اختياري)

   • تعرض لوحة معلومات تفاعلية مقاييس مثل منحنيات الخسارة، وتوزيعات أخطاء إعادة البناء، وأعداد الشذوذات، وغيرها.

التثبيت وإعداد البيئة

1. استنساخ المستودع

   git clone https://github.com/yourusername/Mobile-Intrusion-Detection-System.git
   cd Mobile-Intrusion-Detection-System
   

2. إنشاء بيئة افتراضية وتفعيلها

   python3 -m venv venv
   source venv/bin/activate
   

3. تثبيت الحزم المطلوبة

   pip install tensorflow pandas numpy scikit-learn matplotlib plotly streamlit
   

الاستخدام

وضع التدريب

شغّل خط أنابيب التدريب لمعالجة البيانات التاريخية، وإجراء هندسة الميزات، وتدريب نموذج التشفير التلقائي:

./run_project.sh train

ينفّذ هذا الأمر الخطوات التالية:

• يعالج تدفقات الشبكة الملتقطة.
• يؤرشف ملف الالتقاط السابق (أي يُعاد تسمية flows.mitm إلى flows_1.mitm).
• يهندس الميزات ويُجري القياس عليها.
• يدرّب نموذج المشفّر التلقائي ويقيّمه.
• يحفظ النموذج والمُقيِّس وملخص التشغيل في دليل results/ (بما في ذلك run_log.json).

وضع التنبؤ

قبل تشغيل التنبؤ، يُؤرشف ملف flows_1.mitm الموجود (بطابع زمني) للحفاظ على بيانات الالتقاط السابقة. ثم تُلتقط تدفقات جديدة وتُعالج:

./run_project.sh predict

ينفّذ هذا الأمر الخطوات التالية:

• يؤرشف ملف flows_1.mitm الحالي مع طابع زمني.
• يعالج التدفقات الملتقطة الجديدة ويحوّلها إلى صيغتي CSV وJSON.
• ينسخ ملف CSV الجديد إلى الموقع المتوقع وينفّذ هندسة الميزات.
• يحمّل المُقيّس (scaler) والنموذج المدرَّبين.
• يشغّل التنبؤات على البيانات الجديدة ويطبّق تصفية القائمة البيضاء.
• يُخرج نتائج التنبؤ ويحفظها في مجلد results/ إلى جانب ملف run_log.json المحدَّث.

وضع لوحة المعلومات

لتصوّر النتائج ومقاييس الأداء، شغّل وضع لوحة المعلومات باستخدام Streamlit:

./run_project.sh dashboard

تعرض لوحة المعلومات:

• منحنيات خسارة التدريب والتحقق.
• توزيع أخطاء إعادة البناء مع العتبة المحددة.
• أعداد الحالات الشاذة عبر عمليات تشغيل متعددة.
• مقارنة أعداد عناوين URL الفريدة قبل وبعد تصفية القائمة البيضاء.
• مخططات تفاعلية إضافية وجداول ملخصة لمزيد من التحليل.

مصادر البيانات والمراجع الخارجية

• بيانات القائمة البيضاء:
  • Majestic Million Report
  • Top 1M Domains Dataset (Kaggle)

الخاتمة والأعمال المستقبلية

يُظهر نظام كشف التسلل للجوال معالجة فعّالة لبيانات تدفق الشبكة من الأجهزة المحمولة، ويستفيد من نهج قائم على المشفّر التلقائي لكشف الحالات الشاذة. يؤدي دمج تصفية القائمة البيضاء إلى تقليل الإيجابيات الكاذبة بشكل كبير؛ ومع ذلك، كشفت مرحلة التنبؤ عن تحديات — لا سيما في التمييز بين تدفقات بحث Google الحميدة والأنشطة الضارة الحقيقية. يشير ذلك إلى الحاجة إلى مزيد من التنقيح لمنطق كشف الحالات الشاذة، خاصةً ضمن مرحلة تصفية القائمة البيضاء. ستركّز الأعمال المستقبلية على تحسين خوارزميات التصفية، ودمج مصادر إضافية لاستخبارات التهديدات، وتوسيع وظائف لوحة المعلومات للحصول على رؤى أعمق.

المراجع

• Majestic Million Report
• Top 1M Domains Dataset (Kaggle)
• MITMProxy
• TensorFlow
• Scikit-Learn
• Plotly
• Streamlit

الترخيص

هذا المشروع مرخّص بموجب ترخيص MIT. راجع ملف LICENSE للحصول على التفاصيل.