Skip to content
KitploitKITPLOIT
HerramientasBlog
Enviar
HerramientasBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

··Feeds·Contacto·Privacidad·© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
CVE-2024-38063 — Simula el ataque de ejecución remota de código TCP/IP CVE-2024-38063, captura el tráfico de red con TShark y entrena un modelo de aprendizaje automático para detectar actividad sospechosa. | Kitploit
Herramientas/GitHubGitHub/skac44/cve-2024-38063
Análisis de VulnerabilidadesExplotaciónSeguridad de RedesAprendizaje AutomáticoDetección de IntrusionesAprendizaje y EducaciónDetección de Anomalías
GitHubskac44/cve-2024-38063

CVE-2024-38063

Simula el ataque de ejecución remota de código TCP/IP CVE-2024-38063, captura el tráfico de red con TShark y entrena un modelo de aprendizaje automático para detectar actividad sospechosa.

Ver Repositorio
4hace 1 añoAún no revisado

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →
Compartir

CVE-2024-38063

Vulnerabilidad de Windows que permite llevar a cabo actividad no autorizada a través de la red: ejecución remota de código en Windows TCP/IP.

Dos máquinas virtuales —una víctima y un atacante— están listas para simular el ataque. En la máquina víctima se utilizó una herramienta de captura de paquetes de red, TShark (modo de línea de comandos de Wireshark), y los datos se almacenaron en formato .csv. Los siguientes pasos implican otra máquina virtual con un algoritmo de aprendizaje automático. Los datos de red recopilados se transfieren luego a un entorno de análisis donde se extraen métricas de tráfico importantes, como la discrepancia de cabeceras, los campos de opciones de destino y otras. Estas características se utilizan para entrenar un modelo de aprendizaje automático capaz de identificar actividad sospechosa.

Descargar herramienta