Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
Strumenti/GitHubGitHub/matthoffman/degas
Threat IntelligenceMachine LearningPaper e RicercaApprendimento e FormazioneAnalisi DNSRilevamento di Anomalie
GitHubmatthoffman/degas

degas

Rilevamento di domini generati da DGA tramite modelli di deep learning

Vedi Repository
237367 anni faRevisionato da Kitploit
Condividi

Degas

Rilevamento di domini generati da DGA tramite modelli di deep learning

Edgar Degas, "Quattro danzatrici"

Esecuzione

Attualmente uso Conda (Anaconda/Miniconda) per lo sviluppo, ma dovresti essere in grado di usare anche Pipenv o virtualenv con il requirements.txt incluso.

conda:

conda env create -f environment.yml
conda activate degas

Pipenv:

pipenv install -r requirements.txt
pipenv shell

Virtualenv è simile, ma non c'è più alcun motivo di usare virtualenv invece di Pipenv.

Riaddestramento del modello

C'è un modello addestrato incluso nella directory models. Se vuoi addestrarne uno tuo, dovrai prima scaricare i dati di addestramento da S3:

python degas/runner download-data

Elabora i dati nella semplice forma CSV che il costruttore del modello si aspetta:

python degas/runner process-data data/raw data/processed

Questi passaggi devono essere eseguiti una sola volta, a meno che tu non modifichi i dati di addestramento.

Per riaddestrare il modello usando il dataset generato, installa prima tensorflow-gpu con il tuo gestore di pacchetti preferito (conda install tensorflow-gpu o pip install tensorflow-gpu) in modo che l'addestramento sia accelerato dalla GPU.

Quindi, esegui:

python degas/runner train-model data/processed

Esegui python degas/runner train-model --help per alcune opzioni di regolazione disponibili. Questa operazione richiede circa un'ora e mezza su una GTX 1070. Esegue solo circa 9 epoche prima di interrompersi; potresti potenzialmente farlo girare per, diciamo, 5 epoche e ottenere comunque una buona accuratezza con metà del tempo di addestramento: python degas/runner train-model --epochs 5 data/processed

Effettuare previsioni

Poiché questo progetto usa Tensorflow come libreria di deep learning sottostante, il modo consigliato per usarlo per l'inferenza è Tensorflow Serving.

Dovresti essere in grado di servirlo usando:

docker run -p 8501:8501 \
  --mount type=bind,source=models/degas,target=/models/degas\
  -e MODEL_NAME=degas -t tensorflow/serving

Vedi la documentazione di Tensorflow Serving per maggiori informazioni sulle opzioni disponibili.

Informazioni su Degas

Perché il deep learning per questo compito? Perché funziona bene e non è difficile da implementare. Da Byu et al, 2018:

"Le reti neurali profonde sono apparse di recente nella letteratura sul rilevamento dei DGA Woodbridge et al. (2016); Saxe & Berlin (2017); Yu et al. (2017). Superano significativamente i metodi tradizionali di machine learning in accuratezza, al prezzo di aumentare la complessità dell'addestramento del modello e richiedere dataset più grandi."

Poiché ci sono molti dati disponibili con cui addestrare, creare un modello di deep learning è altrettanto facile o più facile delle alternative.

Riferimenti

https://openreview.net/forum?id=BJLmN8xRW&noteId=BJLmN8xRW http://faculty.washington.edu/mdecock/papers/byu2018a.pdf

Perché "Degas"?

  • Perché è più divertente lavorare a un progetto con un nome, piuttosto che "DGA-detector" o simili.
  • Forse chiamare il progetto come un pittore impressionista lo farà sembrare più affascinante?
  • Era il primo risultato del classico "algoritmo di denominazione Samba" ( egrep -i '^d.*g.*a.* /usr/share/dict/words )

Per la cronaca, lo pronuncio "de-gah", come Edgar Degas, non "de-gas", cioè "rimuovere tutto il gas."

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    891
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    547
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    369
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    366
  • 5

    looking-glass

    anonghosty/looking-glass

    Piattaforma CSIRT che importa i report di Shadowserver in MongoDB e li riproduce come mappe interattive, analisi, risultati, avvisi e dashboard executive.

    309
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    282

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →