ProHunter

📋 Panoramica

Questo progetto è un modulo centrale del sistema ProHunter, progettato principalmente per eseguire la valutazione di minaccia sui threat graph campionati dal modulo PPG. L'idea principale di questo metodo è che utilizza un graph vector matching approssimato per calcolare la similarità vettoriale tra i threat graph e gli attack query graph generati dal CTI, producendo punteggi di minaccia per la valutazione. Il framework è illustrato di seguito.

Nota: Questo progetto funge da modulo di rilevamento a valle di PPG, ovvero la Rappresentazione & il Matching degli Attacchi. Per il flusso di lavoro completo, inclusi l'archiviazione dei grafi di provenienza e il campionamento dei threat graph, fare riferimento prima al modulo PPG.

🚀 Avvio Rapido

Requisiti

Versione Python: 3.7.12

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

# Install dependencies
pip install -r requirements.txt

📊 Moduli Funzionali

1️⃣ Visualizzazione dei Threat Graph

Visualizza i threat graph campionati dal modulo PPG.

Uso:

1. Posiziona i dati dei threat graph nella directory del dataset corrispondente:

   root@kitploit:~

   dataset/darpa_cadets/sgs_demo/sce041214_E5A15412-68E0-FD54-A068-DD6114FD9040_2.txt # The case provided for visualization
   

2. Prepara il file di mapping (ad es. names.json), che può essere generato automaticamente eseguendo dataset_preprocess.py (vedi il flusso di lavoro del Modulo di Rilevamento delle Minacce)

3. Modifica i percorsi del dataset in subgraph_vision.py ed esegui lo script di visualizzazione:

   root@kitploit:~

   python subgraph_vision.py
   

   Specifica il dataset corrispondente nello script. Il programma leggerà e visualizzerà automaticamente i dati dei sottografi dalla directory sgs_demo.

Esempio di risultato della visualizzazione:

2️⃣ Modulo di Rilevamento delle Minacce

Passo 1: Scaricare i Dataset

Posiziona i file scaricati nella directory del progetto seguendo questa struttura:

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

Passo 2: Preprocessing dei Dati

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

Questo genera i file di tuple in:

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

Passo 3: Creazione dei Dataset di Addestramento e Test

python preprocess/parse_trace.py

Passo 4: Addestramento del Modello

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

Nota: Parametri aggiuntivi (ad es. epoch, learning rate) sono disponibili nella funzione parse_args() in util.py.

Passo 5: Valutazione del Modello

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

Il modello caricherà i parametri da models/{dataset_name}/best.pth.

3️⃣ Esempio Fornito

Il progetto fornisce campioni preprocessati del dataset CADETS per test immediati:

# 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

Esempio di risultati della valutazione:

📁 Struttura del Progetto

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