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
ThreatDetect — एक Streamlit-आधारित आंतरिक खतरा पहचान प्रोटोटाइप जो कर्मचारी गतिविधि डेटा का विश्लेषण करने, जोखिम सारांश उत्पन्न करने और SHAP-आधारित प्रति कर्मचारी स्पष्टीकरण प्रदान करने के लिए XGBoost और Isolation Forest का उपयोग करता है। | Kitploit
उपकरण/GitLabGitLab/jazbengu/threatdetect
मशीन लर्निंगविसंगति का पता लगाना
GitLabjazbengu/threatdetect

ThreatDetect

एक Streamlit-आधारित आंतरिक खतरा पहचान प्रोटोटाइप जो कर्मचारी गतिविधि डेटा का विश्लेषण करने, जोखिम सारांश उत्पन्न करने और SHAP-आधारित प्रति कर्मचारी स्पष्टीकरण प्रदान करने के लिए XGBoost और Isolation Forest का उपयोग करता है।

रिपॉजिटरी देखेंवेबसाइट
616 महीने पहलेअभी तक समीक्षित नहीं
साझा करें

ThreatDetect

ThreatDetect एक Streamlit-आधारित आंतरिक खतरा पहचान प्रोटोटाइप है जो कर्मचारी गतिविधि डेटा का विश्लेषण करता है और संभावित जोखिमपूर्ण व्यवहार को चिह्नित करता है। यह एक प्रशिक्षित XGBoost क्लासिफायर के साथ Isolation Forest एनोमली डिटेक्टर का उपयोग करके संगठन-स्तरीय जोखिम सारांश और समझने योग्य कर्मचारी-स्तरीय अंतर्दृष्टि उत्पन्न करता है।

डेमो

ऐप को Streamlit का उपयोग करके स्थानीय रूप से चलाया जा सकता है। एक तैनात डेमो पहले इस पर प्रकाशित किया गया था:

  • https://threatdetectcos720.streamlit.app/

मुख्य विशेषताएँ

  • अपलोड की गई CSV फ़ाइल से बैच जोखिम पहचान
  • संगठनात्मक खतरा सारांश गणना, संभाव्यता वितरण और जोखिम स्तरों के साथ
  • SHAP मानों का उपयोग करके प्रति-कर्मचारी व्याख्यात्मकता
  • अपलोड किए गए या नमूना डेटासेट के लिए एक्सप्लोरेटरी डेटा विश्लेषण (EDA)
  • भविष्यवाणी परिणामों का CSV निर्यात
  • फीचर महत्व, जोखिम वितरण और एनोमली डिटेक्शन के लिए विज़ुअलाइज़ेशन

रिपॉजिटरी संरचना

  • streamlit_app.py — मुख्य Streamlit एप्लिकेशन
  • requirements.txt — Python पैकेज निर्भरताएँ
  • AI_Model_Code/insider_threat_model.pkl — सहेजा गया अनुमान पाइपलाइन और प्रशिक्षित मॉडल आर्टिफैक्ट
  • AI_Model_Code/insider_threat_clean_dataset.csv — EDA के लिए बंडल किया गया नमूना डेटासेट
  • AI_Model_Code/cos720_ai_model_FINAL.ipynb — मॉडल विकास नोटबुक
  • assets/app_styling.css — Streamlit ऐप के लिए कस्टम UI स्टाइलिंग
  • unit testing/ — फीचर तैयारी और व्याख्या तर्क के लिए टेस्ट फ़ाइलें
  • docs/TECHNICAL_DOCUMENTATION.md — परियोजना के लिए तकनीकी दस्तावेज़ीकरण

सॉफ्टवेयर आवश्यकताएँ

  • Python 3.8 या बाद का संस्करण
  • streamlit
  • pandas
  • numpy
  • scikit-learn
  • matplotlib
  • seaborn
  • plotly
  • xgboost
  • shap

सभी निर्भरताएँ इसके साथ स्थापित करें:

pip install -r requirements.txt

स्थापना

  1. रिपॉजिटरी को क्लोन करें:
git clone https://github.com/jazbengu/ThreatDetect.git
cd ThreatDetect
  1. एक वर्चुअल एनवायरनमेंट बनाएँ और सक्रिय करें (अनुशंसित):
python3 -m venv venv
source venv/bin/activate
  1. निर्भरताएँ स्थापित करें:
pip install -r requirements.txt

ऐप चलाना

ऐप को इसके साथ शुरू करें:

streamlit run streamlit_app.py

फिर टर्मिनल में दिखाए गए स्थानीय URL को खोलें (आमतौर पर http://localhost:8501)।

ThreatDetect का उपयोग करना

CSV के माध्यम से संगठनात्मक खोज

  • कर्मचारी और गतिविधि सुविधाओं वाली एक CSV फ़ाइल अपलोड करें।
  • प्रत्येक रिकॉर्ड के लिए जोखिम संभावनाओं की गणना करने के लिए Run Threat Detection पर क्लिक करें।
  • ऐप समग्र दुर्भावनापूर्ण बनाम सामान्य भविष्यवाणियों का सारांश, जोखिम संभाव्यता वितरण और फीचर महत्व दिखाता है।
  • आप विस्तृत परिणाम तालिका का विस्तार कर सकते हैं और आउटपुट को CSV के रूप में डाउनलोड कर सकते हैं।
  • प्रति-रिकॉर्ड व्याख्या अनुभाग का उपयोग करके जाँचें कि किसी विशिष्ट कर्मचारी को क्यों चिह्नित किया गया।

एक्सप्लोरेटरी डेटा विश्लेषण

  • अपनी स्वयं की CSV अपलोड करें या AI_Model_Code/insider_threat_clean_dataset.csv में बंडल किए गए नमूना डेटासेट का उपयोग करें।
  • पृष्ठ डेटासेट आकार, वर्णनात्मक आँकड़े, लुप्त मान जानकारी और फीचर प्लॉट प्रदर्शित करता है।
  • संख्यात्मक कॉलमों को हिस्टोग्राम, बॉक्सप्लॉट, स्कैटर संबंधों और सहसंबंध हीटमैप के साथ खोजा जा सकता है।
  • एक त्वरित Isolation Forest एनोमली स्कैन असामान्य रिकॉर्डों को उजागर कर सकता है।

साइडबार पृष्ठ

  • CSV के माध्यम से संगठनात्मक खोज मुख्य बैच खतरा पहचान वर्कफ़्लो है।
  • एकल खोज साइडबार में दिखाया गया है लेकिन वर्तमान में ऐप लॉजिक में लागू नहीं है।
  • एक्सप्लोरेटरी डेटा विश्लेषण डेटासेट अन्वेषण और त्वरित एनोमली जाँच के लिए उपलब्ध है।

मॉडल आर्टिफैक्ट

AI_Model_Code/insider_threat_model.pkl में निम्नलिखित के साथ एक क्रमबद्ध मॉडल पैकेज है:

  • xgb_model: प्रशिक्षित XGBoost क्लासिफायर
  • iso_forest: प्रशिक्षित Isolation Forest एनोमली डिटेक्टर
  • scaler: संख्यात्मक इनपुट के लिए StandardScaler
  • label_encoders: श्रेणीबद्ध सुविधाओं के लिए एनकोडर
  • feature_columns: क्रमबद्ध फीचर सूची
  • cat_cols, num_cols, bin_cols: फीचर समूह
  • best_threshold: जोखिम निर्णयों के लिए उपयोग किया जाने वाला वर्गीकरण थ्रेशोल्ड
  • shap_explainer: व्याख्यात्मकता के लिए SHAP व्याख्याकार

मॉडल फ़ाइल streamlit_app.py द्वारा लोड की जाती है और इसका उपयोग इनपुट को प्रीप्रोसेस करने, जोखिम संभावनाओं की गणना करने और व्याख्याएँ उत्पन्न करने के लिए किया जाता है।

परीक्षण

रिपॉजिटरी में unit testing/ के अंतर्गत परीक्षण शामिल हैं।

टेस्ट सूट को इसके साथ चलाएँ:

pytest "unit testing/"

नोट्स और समस्या निवारण

  • यदि Streamlit शुरू करने में विफल रहता है, तो सुनिश्चित करें कि आपका वर्चुअल एनवायरनमेंट सक्रिय है और निर्भरताएँ स्थापित हैं।
  • यदि ऐप आवश्यक कॉलमों की कमी की रिपोर्ट करता है, तो सत्यापित करें कि आपकी अपलोड की गई CSV में अपेक्षित कर्मचारी और गतिविधि फ़ील्ड शामिल हैं।
  • मॉडल फ़ाइल पुराने scikit-learn संस्करणों के साथ क्रमबद्ध की गई थी, इसलिए यदि आपके एनवायरनमेंट में नए संस्करण हैं तो लोड करने पर संगतता चेतावनियाँ उत्पन्न हो सकती हैं।
  • यदि अंतर्निहित नमूना डेटासेट उपलब्ध नहीं है, तो EDA पृष्ठ का उपयोग जारी रखने के लिए अपनी स्वयं की CSV अपलोड करें।

योगदान

यह रिपॉजिटरी संवर्द्धन और परीक्षण के लिए कॉन्फ़िगर की गई है। भविष्य के सुधारों में फीचर कवरेज का विस्तार और अतिरिक्त आंतरिक खतरा डेटा के साथ मॉडल को पुनः प्रशिक्षित करना शामिल हो सकता है।

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।

    806
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    523
  • 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।

    441
  • 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।

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    CSIRT प्लेटफ़ॉर्म जो Shadowserver रिपोर्ट्स को MongoDB में इनजेस्ट करता है और उन्हें इंटरैक्टिव मैप्स, विश्लेषण, निष्कर्षों, सलाहों और कार्यकारी डैशबोर्ड के रूप में पुनः प्रस्तुत करता है।

    270
  • 6

    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।

    264

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →