Skip to content
KitploitKITPLOIT
उपकरणएक्सप्लॉइटब्लॉग
Log in
जमा करें
उपकरणएक्सप्लॉइटब्लॉग
जमा करें

हैकिंग, पेनटेस्ट और साइबर सुरक्षा उपकरण आपके सुरक्षा शस्त्रागार के लिए!

Kitploit हैकिंग, साइबर सुरक्षा और पेंटेस्टिंग टूल्स की एक निर्देशिका है। कमजोरियों को खोजने, सिस्टम का विश्लेषण करने, परीक्षण को स्वचालित करने और अपनी सुरक्षा को मजबूत करने के लिए नवीनतम प्रोजेक्ट अपडेट खोजें।

फ़ीडसंपर्कगोपनीयता© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
ProHunter — ग्राफ-आधारित खतरा पहचान प्रणाली जो खतरे के ग्राफों की तुलना CTI-व्युत्पन्न हमले क्वेरी ग्राफों से करने के लिए अशुद्ध ग्राफ वेक्टर मिलान का उपयोग करती है, ताकि स्वचालित दुर्भावनापूर्ण निर्णय और खतरा स्कोरिंग की जा सके। | Kitploit
उपकरण/GitHubGitHub/xueboqiu/prohunter
टोहीभेद्यता विश्लेषणजानकारी एकत्र करनाखतरा खुफियामशीन लर्निंगविसंगति का पता लगाना
GitHubxueboqiu/prohunter

ProHunter

ग्राफ-आधारित खतरा पहचान प्रणाली जो खतरे के ग्राफों की तुलना CTI-व्युत्पन्न हमले क्वेरी ग्राफों से करने के लिए अशुद्ध ग्राफ वेक्टर मिलान का उपयोग करती है, ताकि स्वचालित दुर्भावनापूर्ण निर्णय और खतरा स्कोरिंग की जा सके।

रिपॉजिटरी देखें
1045011 महीने पहलेअभी तक समीक्षित नहीं
साझा करें

📋 अवलोकन

यह प्रोजेक्ट ProHunter सिस्टम का एक मुख्य मॉड्यूल है, जो मुख्य रूप से PPG मॉड्यूल से नमूना किए गए खतरे के ग्राफ़ों पर दुर्भावनापूर्ण मूल्यांकन करने के लिए डिज़ाइन किया गया है। इस विधि का मुख्य विचार यह है कि यह खतरे के ग्राफ़ों और CTI से उत्पन्न हमले के क्वेरी ग्राफ़ों के बीच वेक्टर समानता की गणना करने के लिए inexact graph vector matching का उपयोग करता है, जिससे निर्णय के लिए खतरे के स्कोर उत्पन्न होते हैं। फ्रेमवर्क निम्नानुसार दर्शाया गया है।

ProHunter सिस्टम का फ्रेमवर्क

नोट: यह प्रोजेक्ट PPG के डाउनस्ट्रीम डिटेक्शन मॉड्यूल के रूप में कार्य करता है, अर्थात Attack Representation & Matching। प्रोवेनेंस ग्राफ़ भंडारण और खतरा ग्राफ़ नमूनाकरण सहित संपूर्ण वर्कफ़्लो के लिए, कृपया पहले PPG मॉड्यूल देखें।


🚀 त्वरित प्रारंभ

आवश्यकताएँ

पायथन संस्करण: 3.7.12

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

# Install dependencies
pip install -r requirements.txt

📊 कार्यात्मक मॉड्यूल

1️⃣ खतरा ग्राफ़ विज़ुअलाइज़ेशन

PPG मॉड्यूल द्वारा नमूना किए गए खतरे के ग्राफ़ों को विज़ुअलाइज़ करें।

उपयोग विधि:

  1. खतरे के ग्राफ़ डेटा को संबंधित डेटासेट निर्देशिका में रखें:

    dataset/darpa_cadets/sgs_demo/sce041214_E5A15412-68E0-FD54-A068-DD6114FD9040_2.txt # The case provided for visualization
    
  2. मैपिंग फ़ाइल (जैसे, names.json) तैयार करें, जिसे dataset_preprocess.py चलाकर स्वचालित रूप से उत्पन्न किया जा सकता है (खतरा पहचान मॉड्यूल का वर्कफ़्लो देखें)

  3. subgraph_vision.py में डेटासेट पथ बदलें, और विज़ुअलाइज़ेशन स्क्रिप्ट चलाएँ:

    python subgraph_vision.py
    

    स्क्रिप्ट में संबंधित डेटासेट निर्दिष्ट करें। प्रोग्राम sgs_demo निर्देशिका से सबग्राफ़ डेटा को स्वचालित रूप से पढ़कर विज़ुअलाइज़ करेगा।

उदाहरण विज़ुअलाइज़ेशन परिणाम:

खतरा ग्राफ़ विज़ुअलाइज़ेशन

2️⃣ खतरा पहचान मॉड्यूल

चरण 1: डेटासेट डाउनलोड करें

डेटासेटलॉग फ़ाइलेंप्लेटफ़ॉर्मडाउनलोड लिंक
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

डाउनलोड की गई फ़ाइलों को प्रोजेक्ट निर्देशिका में निम्न संरचना के अनुसार रखें:

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

चरण 2: डेटा प्रीप्रोसेसिंग

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

यह निम्न स्थान पर टपल फ़ाइलें उत्पन्न करता है:

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

चरण 3: प्रशिक्षण और परीक्षण डेटासेट बनाएँ

python preprocess/parse_trace.py

चरण 4: मॉडल प्रशिक्षण

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

नोट: अतिरिक्त पैरामीटर (जैसे, epoch, learning rate) util.py में parse_args() फ़ंक्शन में पाए जा सकते हैं।

चरण 5: मॉडल मूल्यांकन

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

मॉडल models/{dataset_name}/best.pth से मॉडल पैरामीटर लोड करेगा।

3️⃣ प्रदान किया गया उदाहरण

प्रोजेक्ट तत्काल परीक्षण के लिए पूर्व-प्रोसेस किए गए CADETS डेटासेट नमूने प्रदान करता है:

# 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

उदाहरण मूल्यांकन परिणाम:

खतरा खोज परिणाम

📁 प्रोजेक्ट संरचना

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                      
टूल डाउनलोड करें

सबसे लोकप्रिय

सभी देखें →

हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 अंतिम OSINT टूलकिट: जाँच ग्राफ़, विश्वास स्कोरिंग, उपनाम परिवार, मानचित्र, टाइमलाइन और रिपोर्ट। 49 मॉड्यूल, 400+ साइटें, किसी API कुंजी की आवश्यकता नहीं।

    732
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # घोस्टलॉक वन-टैप निष्पादन ऐप (CVE-2026-43499)

    506
  • 3

    ARTEX

    baarai/artex

    प्लानर/वर्कर एजेंट, एसेट और एक्सप्लोरेशन ग्राफ़, MITM ट्रैफ़िक रिकॉर्डिंग, और भेद्यता पुनःपरीक्षण के साथ LLM मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म।

    405
  • 4

    redforge

    cybersecurity91/redforge

    ब्राउज़र-साइड रेड टीम टूलकिट, जिसमें रेकॉन, पेलोड जनरेशन, क्रेडेंशियल हमलों, क्रिप्टो, एन्कोडिंग और एंगेजमेंट रिपोर्टिंग के लिए 102 ऑफ़लाइन टूल्स हैं।

    342
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI-मूल साइबरसुरक्षा के लिए कार्रवाई की प्रणाली—जहाँ इरादा नियंत्रित निष्पादन बन जाता है, साक्ष्य परिचालन स्मृति बन जाता है, और हर ऑपरेशन अगले को बेहतर बनाता है।

    261
  • 6

    antifox

    antifox-ai/antifox

    AI मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म जो रेकॉन, अटैक-सरफ़ेस डिस्कवरी, एक्सप्लॉइटेशन वैलिडेशन और साक्ष्य-आधारित रिपोर्ट डिलीवरी संचालित करता है।

    259

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →