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
URL_CHECKER — Hybrider, auf ML und Heuristik basierender URL-Phishing-Detektor mit Echtzeitanalyse, erklärbaren Konfidenzwerten und REST-API für programmatische Sicherheitstests. | Kitploit
Tools/GitHubGitHub/mannansainicyber/url_checker
SchwachstellenanalyseAPI-SicherheitstestsPhishingWebsicherheitMaschinelles LernenLernen & Bildung
GitHubmannansainicyber/url_checker

URL_CHECKER

Hybrider, auf ML und Heuristik basierender URL-Phishing-Detektor mit Echtzeitanalyse, erklärbaren Konfidenzwerten und REST-API für programmatische Sicherheitstests.

Repository anzeigen
13vor 5 MonatenNoch nicht geprüft

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →
Teilen

URL-Phishing-Prüfer

Python Flask Scikit-Learn License

Ein leichtgewichtiges, webbasiertes Tool, das erkennt, ob eine URL wahrscheinlich Phishing oder sicher ist, unter Verwendung eines hybriden Ansatzes aus maschinellem Lernen (Random Forest/SVM) und heuristischer regelbasierter Analyse.

Entwickelt für Bildungszwecke und Experimente in der Cybersicherheit und angewandten KI.


Übersicht

Phishing-Angriffe verlassen sich oft auf visuelle Täuschung und URL-Manipulation. Dieses Tool analysiert die Struktur und den Inhalt einer URL, um ihre bösartige Absicht zu bestimmen.

Hauptfunktionen

  • Echtzeitanalyse: Akzeptiert eine URL und verarbeitet sie sofort.
  • Hybriderkennung: Kombiniert ML-Wahrscheinlichkeit mit fest codierten Sicherheitsregeln.
  • Erklärbarkeit: Gibt einen Konfidenzwert und für Menschen lesbare Gründe zurück (z. B. „Verdächtige Schlüsselwörter gefunden“).
  • Leistung: Cacht Ergebnisse lokal, um redundante Verarbeitung zu reduzieren.
  • API-Unterstützung: Enthält einen JSON-Endpunkt für programmatischen Zugriff.

  • Funktionsweise

    1. Eingabe: Der Benutzer sendet eine URL über die UI oder API.
    2. Normalisierung: Die URL wird bereinigt und Standardkomponenten werden geparst.
    3. Merkmalsextraktion: Das System extrahiert numerische und kategoriale Merkmale (z. B. Länge, Anzahl Sonderzeichen, Domain-Alter).
    4. Vorhersage: * Das ML-Modell berechnet einen Wahrscheinlichkeitswert.
      • Die regelbasierte Logik scannt nach bekannten Warnsignalen.
    5. Ausgabe: Eine JSON-Antwort wird mit dem Urteil zurückgegeben und für zukünftige Abfragen zwischengespeichert.

    Bildschirmfoto


    Einrichtung

    1. Repository klonen
    2. Abhängigkeiten installieren: pip install -r requirements.txt
    3. Datensatz von Kaggle herunterladen und dataset_phishing.csv im Stammverzeichnis ablegen
    4. Führen Sie python retrain.py aus, um model.pkl zu generieren
    5. Führen Sie python app.py aus

    Technologiestack

    • Kern: Python 3.x
    • Webframework: Flask
    • Maschinelles Lernen: scikit-learn, pandas, joblib
    • Architektur: REST-API + einfaches HTML/CSS-Frontend

    ⚠️ Haftungsausschluss

    • Nur zu Bildungszwecken: Dieses Tool bietet keinen 100%igen Schutz vor Phishing-Angriffen.

    • Vorhersagen sind probabilistisch und basieren auf den verwendeten Trainingsdaten.

    • Es können Fehlalarme (sichere Seiten als Phishing eingestuft) und Fehleinschätzungen (Phishing-Seiten als sicher eingestuft) auftreten.

    • Verlassen Sie sich nicht auf dieses Tool als alleinige Sicherheitsmaßnahme.

    Tool herunterladen