Skip to content
KitploitKITPLOIT
ИнструментыЭксплойтыБлог
Log in
Отправить
ИнструментыЭксплойтыБлог
Отправить

Инструменты для хакинга, пентеста и кибербезопасности — ваш арсенал защиты!

Kitploit — это каталог инструментов для хакинга, кибербезопасности и пентестинга. Находите последние обновления проектов для поиска уязвимостей, анализа систем, автоматизации тестирования и усиления вашей безопасности.

ЛентыКонтактыКонфиденциальность© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
LUCX_network_traffic_parser — Фреймворк для анализа сетевого трафика и извлечения признаков. | Kitploit
Инструменты/GitHubGitHub/doriguzzi/lucx_network_traffic_parser
Сниффинг и анализ пакетовСетевая криминалистикаСетевая безопасностьМашинное ОбучениеОбнаружение ВторженийСтатьи и ИсследованияОбнаружение АномалийАнализ Журналов
GitHub
doriguzzi/lucx_network_traffic_parser

LUCX_network_traffic_parser

Фреймворк для анализа сетевого трафика и извлечения признаков.

Репозиторий
51432 месяцев назадЕщё не проверено
Поделиться

LUCX: LUCID network traffic parser eXtended

LUCX (LUCID network traffic parser eXtended) — это анализатор сетевого трафика, который работает как с предварительно записанными трассировками трафика в формате pcap, так и с живым сетевым трафиком, захватываемым с сетевого интерфейса. LUCX является расширенной версией анализатора набора данных LUCID (https://github.com/doriguzzi/lucid-ddos). Как и оригинальная версия, LUCX формирует наблюдения за трафиком, согласующиеся с теми, что собираются в существующих онлайн-системах, где алгоритмы обнаружения должны справляться с сегментами потоков трафика, собранными за заранее заданные временные окна. Кроме того, LUCX извлекает больше признаков (например, признаки, специфичные для TLS) в двух различных форматах: Packet-Level и Statistical, описанных ниже в этом README.

Операции предварительной обработки трафика разделены на два различных этапа: первый извлекает признаки из пакетов и организует их в потоки и временные окна, второй выполняет нормализацию признаков, дополнение (или выравнивание, в зависимости от желаемого формата вывода) и сохраняет обучающий, валидационный и тестовый наборы в формате hdf5.

Пример системы обнаружения вторжений (NIDS), предоставленный в этом репозитории в виде Jupyter notebook, может использоваться для обучения и оценки моделей глубокого обучения (в частности, многослойного перцептрона (MLP) или свёрточной нейронной сети (CNN)) с использованием как пакетных, так и статистических представлений сетевого трафика, сгенерированных LUCX.

Установка

LUCX реализован на Python v3.X, Numpy и Pyshark. LUCX требует установки ряда инструментов и библиотек Python. Это можно сделать с помощью программной среды conda (https://docs.conda.io/projects/conda/en/latest/). Мы рекомендуем установить miniconda — облегчённую версию conda. miniconda доступна для MS Windows, MacOSX и Linux и может быть установлена в соответствии с рекомендациями, доступными по адресу https://docs.conda.io/en/latest/miniconda.html#.

Требуется MS Windows 10 версии 2004 и выше (сборка 19041 и выше) или Windows 11. В MS Windows сначала установите подсистему Windows для Linux из командной строки: wsl.exe —install (см. здесь для получения дополнительной информации). Эта команда установит операционную систему Ubuntu Linux на ваш компьютер. Вы можете получить доступ к командной строке Linux, запустив приложение WSL из меню Windows, затем следуйте рекомендациям для ОС Linux, приведённым ниже.

Откройте терминал, выполните одну из следующих команд (в зависимости от вашей операционной системы) и следуйте инструкциям на экране:

bash Miniconda3-latest-Linux-x86_64.sh (on Linux operating systems)
bash Miniconda3-latest-MacOSX-x86_64.sh (on macOS)

Затем создайте новое окружение conda (с именем python313) на основе Python 3.13.5:

conda create -n python313 python=3.13.5

Активируйте новое окружение python313:

conda activate python313

И настройте окружение, установив ещё несколько пакетов:

(python39)$ pip install scikit-learn h5py pyshark matplotlib graphviz pandas scikeras pydot seaborn

Pyshark используется для предварительной обработки данных. Это всего лишь обёртка Python для tshark, что означает, что tshark также должен быть установлен. В ОС на базе Ubuntu используйте следующую команду:

sudo apt install tshark

В macOS просто скачайте Wireshark здесь и установите его.

Обратите внимание, что текущий код парсера работает с wireshark/tshark версии 4.4.9 или выше.

Представления признаков трафика

LUCX рассматривает двунаправленные сетевые потоки трафика, определяемые как группы пакетов, которые имеют одинаковый идентификатор 5‑кортежа или его транспонированный 5‑кортеж. 5‑кортеж — это распространённый способ однозначной характеристики потока связи в IP-сетях, и он состоит из:

  • IP-адрес источника
  • IP-адрес назначения
  • Номер порта источника
  • Номер порта назначения
  • Транспортный протокол (например, TCP, UDP)

Когда пакеты имеют идентичные значения для этих пяти полей, они считаются частью одного потока. Концепция транспонированного 5‑кортежа учитывает двунаправленную связь: если адреса/порты источника и назначения поменяны местами, но протокол остаётся тем же, пакеты по-прежнему считаются частью одного потока. Это гарантирует, что оба направления обмена (клиент → сервер и сервер → клиент) группируются вместе.

Пример: Предположим, клиент с IP 192.168.1.10 отправляет TCP-запрос веб-серверу с IP 203.0.113.5 на порт 80. Клиент использует порт источника 54321.

  • Прямое направление (клиент → сервер):
    • IP источника: 192.168.1.10
    • IP назначения: 203.0.113.5
    • Порт источника: 54321
    • Порт назначения: 80
    • Протокол: TCP
  • Обратное направление (сервер → клиент):
    • IP источника: 203.0.113.5
    • IP назначения: 192.168.1.10
    • Порт источника: 80
    • Порт назначения: 54321
    • Протокол: TCP

Оба набора пакетов принадлежат одному и тому же потоку трафика, поскольку обратное направление соответствует транспонированному 5‑кортежу прямого направления. Кроме того, LUCX разбивает каждый поток трафика, извлечённый из трассировок сетевого трафика набора данных (или входящего сетевого трафика), на субпотоки на основе временных окон. Эта сегментация имитирует реальные сценарии, в которых трафик собирается в пределах статических или динамических временных окон, а затем передаётся классификатору для анализа. Таким образом система отражает операционные практики систем обнаружения вторжений (IDS), которые часто полагаются на ограниченную по времени агрегацию пакетов для выявления краткосрочного поведения и обнаружения атак.

После того как пакеты сгруппированы в потоки, а потоки дополнительно разбиты на субпотоки, LUCX преобразует субпотоки в выборки, которые можно использовать для обучения, валидации и тестирования классификаторов на основе машинного обучения. Возможны два формата вывода: массивы (как в LUCID) или векторы. Первый формат сохраняет признаки, извлечённые непосредственно из пакетов, а второй создаёт статистические представления признаков уровня пакетов. Эти два режима работы называются признаками уровня пакетов и статистическими признаками соответственно.

Скачать инструмент

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Полный набор инструментов OSINT: граф расследования, оценка достоверности, семейства псевдонимов, карта, временная шкала и отчёты. 49 модулей, более 400 сайтов, API-ключи не требуются.

    786
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Приложение GhostLock с запуском в один клик (CVE-2026-43499)

    506
  • 3

    ARTEX

    baarai/artex

    Платформа автономного тестирования на проникновение на основе мультиагентной LLM с агентами-планировщиками и агентами-исполнителями, графами активов и исследования, записью MITM-трафика и повторной проверкой уязвимостей.

    429
  • 4

    redforge

    cybersecurity91/redforge

    Браузерный инструментарий для red team с 102 офлайн-инструментами для разведки, генерации полезной нагрузки, атак на учётные данные, криптографии, кодирования и отчётности по проектам.

    345
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Система действий для кибербезопасности на базе ИИ — где намерение превращается в управляемое исполнение, доказательства становятся оперативной памятью, а каждая операция улучшает следующую.

    262
  • 6

    looking-glass

    anonghosty/looking-glass

    Платформа CSIRT, которая загружает отчёты Shadowserver в MongoDB и воспроизводит их в виде интерактивных карт, аналитики, результатов, рекомендаций и исполнительных дашбордов.

    256

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →