Skip to content
KitploitKITPLOIT
ToolsBlog
Log in
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.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
ProHunter — Graph-basiertes Bedrohungserkennungssystem, das ungefähres Graph-Vektor-Matching verwendet, um Bedrohungsgraphen mit aus CTI abgeleiteten Angriffsabfragegraphen für automatisierte Schadensbewertung und Bedrohungsbewertung zu vergleichen. | Kitploit
Tools/GitHubGitHub/xueboqiu/prohunter
AufklärungSchwachstellenanalyseInformationsbeschaffungBedrohungsanalyseMaschinelles LernenAnomalieerkennung
GitHubxueboqiu/prohunter

ProHunter

Graph-basiertes Bedrohungserkennungssystem, das ungefähres Graph-Vektor-Matching verwendet, um Bedrohungsgraphen mit aus CTI abgeleiteten Angriffsabfragegraphen für automatisierte Schadensbewertung und Bedrohungsbewertung zu vergleichen.

Repository anzeigen
10450vor 11 MonatenNoch nicht geprüft
Teilen

📋 Übersicht

Dieses Projekt ist ein Kernmodul des ProHunter-Systems, das hauptsächlich dazu dient, bösartige Bewertungen von Bedrohungsgraphen durchzuführen, die aus dem PPG-Modul entnommen wurden. Die Hauptidee dieser Methode besteht darin, ungenaues Graphvektor-Matching zu verwenden, um die Vektorähnlichkeit zwischen Bedrohungsgraphen und aus CTI generierten Angriffsabfragegraphen zu berechnen und so Bedrohungsbewertungen für die Beurteilung zu erstellen. Das Framework ist wie folgt dargestellt.

das Framework des ProHunter-Systems

Hinweis: Dieses Projekt dient als nachgelagertes Erkennungsmodul des PPG, d.h. Angriffsdarstellung und -abgleich. Für den vollständigen Arbeitsablauf, einschließlich der Speicherung von Provenienzgraphen und der Entnahme von Bedrohungsgraphen, lesen Sie bitte zuerst das PPG-Modul.


🚀 Schnellstart

Anforderungen

Python-Version: 3.7.12

# Clone the repository
git clone https://github.com/xueboQiu/ProHunter
cd ProHunter

# Install dependencies
pip install -r requirements.txt

📊 Funktionsmodule

1️⃣ Visualisierung von Bedrohungsgraphen

Visualisiert Bedrohungsgraphen, die vom PPG-Modul entnommen wurden.

Verwendung:

  1. Legen Sie die Bedrohungsgraphen-Daten im entsprechenden Dataset-Verzeichnis ab:

    dataset/darpa_cadets/sgs_demo/sce041214_E5A15412-68E0-FD54-A068-DD6114FD9040_2.txt # The case provided for visualization
    
  2. Bereiten Sie die Mapping-Datei (z.B. names.json) vor, die durch Ausführen von dataset_preprocess.py automatisch generiert werden kann (siehe Arbeitsablauf des Bedrohungserkennungsmoduls).

  3. Ändern Sie die Dataset-Pfade in subgraph_vision.py und führen Sie das Visualisierungsskript aus:

    python subgraph_vision.py
    

    Geben Sie das entsprechende Dataset im Skript an. Das Programm liest und visualisiert automatisch Teilgraphendaten aus dem Verzeichnis sgs_demo.

Beispiel für ein Visualisierungsergebnis:

Visualisierung eines Bedrohungsgraphen

2️⃣ Bedrohungserkennungsmodul

Schritt 1: Datasets herunterladen

DatasetLogdateienPlattformDownload-Link
E3-Cadetsta1-cadets-e3-official-1.json.{0-4}FreeBSDDARPA E3
E3-Theiata1-theia-e3-official-6r.json.{0-12}LinuxDARPA E3
E3-Traceta1-trace-e3-official.json.{0-203}LinuxDARPA E3
E5-Theiata1-theia-1-e5-official-2.bin.{27-31}LinuxDARPA E5
E5-Clearscope2_1ta1-clearscope-2-e5-official-1.bin.{15-20}AndroidDARPA E5
E5-Clearscope2_2ta1-clearscope-2-e5-official-1.bin.{24-33}AndroidDARPA E5
OPTCbenign/20-23Sep19/AIA-201-225/{*}WindowsOpTC

Platzieren Sie die heruntergeladenen Dateien im Projektverzeichnis gemäß der folgenden Struktur:

datasets/darpa_{dataset_name}/raws/xx.json

Schritt 2: Datenvorverarbeitung

python preprocess/dataset_preprocess.py  # Extract triple information from raw datasets:

Dadurch werden Tupeldateien generiert unter:

datasets/darpa_{dataset_name}/tuples/xx.txt

Schritt 3: Trainings- und Testdatensätze erstellen

python preprocess/parse_trace.py

Schritt 4: Modelltraining

python pretrain_gmpt_cl.py --mode={dataset_name} --eval=False

Hinweis: Zusätzliche Parameter (z.B. Epoche, Lernrate) finden Sie in der Funktion parse_args() in util.py.

Schritt 5: Modellbewertung

python pretrain_gmpt_cl.py --mode={dataset_name} --eval=True

Das Modell lädt Modellparameter aus models/{dataset_name}/best.pth.

3️⃣ Bereitgestelltes Beispiel

Das Projekt enthält vorverarbeitete CADETS-Dataset-Beispiele für sofortige Tests:

# Direct evaluation (using pre-trained model)
python pretrain_gmpt_cl.py --mode=cadets --eval=True

# Re-train the model
python pretrain_gmpt_cl.py --mode=cadets --eval=False
python pretrain_gmpt_cl.py --mode=cadets --eval=True

Beispiel für Bewertungsergebnisse:

Ergebnisse der Bedrohungsjagd

📁 Projektstruktur

ProHunter/
├── dataset/
│   └── darpa_cadets/              # Example dataset
│       ├── raws/                  # Raw dataset files
│       ├── sgs_demo/              
│       ├── test/                  
│       ├── train/                 
│       ├── tuples/                # Extracted tuples
│       ├── edge_type_map.json     
│       ├── names.json             # UUID to name mapping 
│       ├── node_type_map.json    
│       └── types.json             # UUID to type mapping
├── models/
│   └── {dataset_name}/
│       └── best.pth               # Trained model parameters
├── preprocess/                    # Data preprocessing scripts
├── subgraph/                      
├── batch.py                       
├── darpa_loader.py                # DARPA data loader
├── darpa_model.py                 
├── dataloader.py                  # Data loading utilities
├── graph_matching.py              
├── pretrain_gmpt_cl.py            # Main training & evaluation script
├── splitters.py                   
├── util.py                        # Utility functions & arguments
├── requirements.txt               # Dependencies
└── readme.md                      
Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    516
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    476
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    355
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    315
  • 5

    estorides

    grisuno/estorides

    Aggregiert 99+ kostenlose OSINT-Quellen parallel, löst Entitäten in einen Knowledge Graph auf und exportiert STIX 2.1, MISP oder GraphML mit LLM-gestützter Analyse.

    303
  • 6

    opencti

    opencti-platform/opencti

    Offene Plattform für Cyber-Bedrohungsinformationen

    285

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →