Skip to content
KitploitKITPLOIT
ToolsBlog
Einreichen
ToolsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

··Feeds·Kontakt·Datenschutz·© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
Detection-struts-cve-2017-5638-detector — Echtzeit-Anomalieerkennungssystem für den Apache Struts CVE-2017-5638 Exploit mittels Streaming-Analytik, 3-Gramm-Byte-Analyse und Count-Min Sketch. Erkennt RCE-Angriffe ohne Signaturen, mit <5ms Latenz und <0.1% falsch positiven Ergebnissen. | Kitploit
Tools/GitHubGitHub/joidiego/detection-struts-cve-2017-5638-detector
SchwachstellenanalyseExploitationWebsicherheitMaschinelles LernenEinbruchserkennungAnomalieerkennung
GitHubjoidiego/detection-struts-cve-2017-5638-detector

Detection-struts-cve-2017-5638-detector

Echtzeit-Anomalieerkennungssystem für den Apache Struts CVE-2017-5638 Exploit mittels Streaming-Analytik, 3-Gramm-Byte-Analyse und Count-Min Sketch. Erkennt RCE-Angriffe ohne Signaturen, mit <5ms Latenz und <0.1% falsch positiven Ergebnissen.

Repository anzeigen
5vor 1 JahrNoch nicht geprüft

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →
Teilen

🚨 Echtzeit-Anomalieerkennung für Apache Struts CVE-2017-5638

Zero-Day-Exploit-Erkennung basierend auf Streaming-Analytik & probabilistischen Datenstrukturen

Dashboard Screenshot Dashboard Screenshot

📌 Projektbeschreibung

Dieses Projekt ist ein Echtzeit-Anomalieerkennungssystem, das entwickelt wurde, um RCE-Exploits (Remote Code Execution) in Apache Struts über die Schwachstelle CVE-2017-5638 zu erkennen, ohne auf bekannte Signaturen oder Muster angewiesen zu sein.

CVE-2017-5638 ist eine kritische Schwachstelle, die im Equifax-Angriff 2017 ausgenutzt wurde, was zur Leakage persönlicher Daten von 147 Millionen Menschen führte. Der Angriff war erfolgreich aufgrund von Versäumnissen im Patch-Management und der Früherkennung.

Dieses System adressiert diese Schwächen mit:

  • ✅ Verhaltensbasierte Erkennung (nicht signaturbasiert)
  • ✅ Byte-Level-3-Gram-Analyse aller HTTP-Anfragen
  • ✅ Count-Min Sketch für effiziente Frequenzverfolgung
  • ✅ KL-Divergenz zur Messung von Abweichungen von Normalmustern
  • ✅ Adaptiver Schwellenwert (Mittelwert + 3σ) für Echtzeiterkennung
  • ✅ Visuelles Dashboard mit Streamlit

Ziel: Zero-Day-Exploits erkennen, bevor das System kompromittiert wird, selbst wenn die Payload noch nie zuvor gesehen wurde.


🎯 Hauptziele

  • Erkennung von Struts-Exploits in Echtzeit mit Latenz ≤ 5 ms
  • Speicher ≤ 1 GB selbst bei einem Durchsatz ≥ 50.000 Anfragen/Sekunde
  • Falsch-Positiv-Rate < 0,1 % bei normalen Daten
  • Erkennungsrate ≥ 95 % bei synthetischen Exploit-Payloads
  • System kann in Echtzeit bereitgestellt und überwacht werden

SCHRITTE zum Ausführen

  • Log-Simulator ausführen (50k Anfragen/Sek., 60 Sekunden) python scripts/simulate_logs.py
  • Erkennungssystem ausführen python src/main.py
  • Echtzeit-Dashboard in einem neuen Terminal öffnen streamlit run scripts/dashboard.py
Tool herunterladen