ProHunter

📋 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.

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:

   root@kitploit:~

   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:

   root@kitploit:~

   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:

2️⃣ Bedrohungserkennungsmodul

Schritt 1: Datasets herunterladen

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:

📁 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