अनसुपरवाइज़्ड डीप ऑटोएनकोडर जो असामान्य मोबाइल ट्रैफ़िक को फ़्लैग करता है: mitmproxy के साथ एक लाइव iOS डिवाइस से इंटरसेप्ट किए गए 25,000+ HTTP/HTTPS फ़्लो, थ्रेशोल्ड ट्यूनिंग जिसने फ़्लैग किए गए फ़्लो को 1,100 से घटाकर 103 कर दिया, और एक Streamlit मॉनिटरिंग डैशबोर्ड।
यह प्रोजेक्ट एक मोबाइल इंट्रूज़न डिटेक्शन सिस्टम को लागू करता है जो मोबाइल उपकरणों से कैप्चर किए गए नेटवर्क ट्रैफ़िक को प्रोसेस करता है, फ़ीचर इंजीनियरिंग करता है, और असामान्य नेटवर्क फ़्लो का पता लगाने के लिए ऑटोएनकोडर-आधारित डीप लर्निंग मॉडल का उपयोग करता है। गलत सकारात्मक परिणामों को कम करने और पहचान की सटीकता बढ़ाने के लिए बाहरी थ्रेट इंटेलिजेंस और व्हाइटलिस्ट डेटा का उपयोग किया जाता है।
flows.mitm का नाम बदलकर flows_1.mitm करके पिछले फ़्लो कैप्चर को आर्काइव करता है, फिर नए कैप्चर को प्रोसेस करता है।फ़्लो कैप्चर और आर्काइविंग
flows.mitm) का नाम बदलकर flows_1.mitm कर दिया जाता है।फ़ीचर इंजीनियरिंग
मॉडल प्रशिक्षण और प्रेडिक्शन
विज़ुअलाइज़ेशन और डैशबोर्ड (वैकल्पिक)
रिपॉज़िटरी क्लोन करें
git clone https://github.com/yourusername/Mobile-Intrusion-Detection-System.git
cd Mobile-Intrusion-Detection-System
वर्चुअल एनवायरनमेंट बनाएँ और सक्रिय करें
python3 -m venv venv
source venv/bin/activate
आवश्यक पैकेज इंस्टॉल करें
pip install tensorflow pandas numpy scikit-learn matplotlib plotly streamlit
ऐतिहासिक डेटा को प्रोसेस करने, फ़ीचर इंजीनियरिंग करने और ऑटोएनकोडर मॉडल को प्रशिक्षित करने के लिए प्रशिक्षण पाइपलाइन चलाएँ:
./run_project.sh train
यह कमांड निम्नलिखित चरणों को पूरा करता है:
प्रेडिक्शन चलाने से पहले, पिछले कैप्चर डेटा को सुरक्षित रखने के लिए मौजूदा flows_1.mitm फ़ाइल को आर्काइव किया जाता है (टाइमस्टैम्प के साथ)। फिर, नए फ़्लो कैप्चर और प्रोसेस किए जाते हैं:
./run_project.sh predict
यह कमांड निम्नलिखित चरण निष्पादित करता है:
परिणामों और प्रदर्शन मेट्रिक्स को विज़ुअलाइज़ करने के लिए, Streamlit का उपयोग करके डैशबोर्ड मोड चलाएँ:
./run_project.sh dashboard
डैशबोर्ड प्रदर्शित करता है:
मोबाइल इंट्रूज़न डिटेक्शन सिस्टम मोबाइल उपकरणों से नेटवर्क फ़्लो डेटा के प्रभावी प्रसंस्करण को प्रदर्शित करता है और विसंगति पहचान के लिए ऑटोएनकोडर-आधारित दृष्टिकोण का लाभ उठाता है। व्हाइटलिस्ट फ़िल्टरिंग का एकीकरण गलत सकारात्मक परिणामों को काफ़ी कम करता है; हालाँकि, पूर्वानुमान चरण ने चुनौतियाँ उजागर कीं—विशेष रूप से लाभकारी Google खोज-संबंधित फ़्लो को वास्तविक दुर्भावनापूर्ण गतिविधियों से अलग करने में। यह दर्शाता है कि विसंगति पहचान तर्क का और अधिक परिष्करण आवश्यक है, विशेष रूप से व्हाइटलिस्ट फ़िल्टरिंग चरण के भीतर। भविष्य का कार्य फ़िल्टरिंग एल्गोरिदम को बेहतर बनाने, अतिरिक्त खतरा सूचना स्रोतों को शामिल करने, और गहन अंतर्दृष्टि के लिए डैशबोर्ड कार्यक्षमताओं का विस्तार करने पर केंद्रित होगा।
यह प्रोजेक्ट MIT लाइसेंस के अंतर्गत लाइसेंस प्राप्त है। विवरण के लिए LICENSE फ़ाइल देखें।
हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।
अभी तक कोई लोकप्रियता डेटा नहीं है।