Skip to content
KitploitKITPLOIT
ИнструментыБлог
Отправить
ИнструментыБлог
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.

··Ленты·Контакты·Конфиденциальность·© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
Инструменты/GitHubGitHub/joidiego/detection-struts-cve-2017-5638-detector
Анализ уязвимостейЭксплуатацияВеб-безопасностьМашинное ОбучениеОбнаружение ВторженийОбнаружение Аномалий
GitHubjoidiego/detection-struts-cve-2017-5638-detector

Detection-struts-cve-2017-5638-detector

Система обнаружения аномалий в реальном времени для эксплойта Apache Struts CVE-2017-5638, использующая потоковую аналитику, анализ байтовых 3-грамм и Count-Min Sketch. Обнаруживает RCE-атаки без сигнатур, с задержкой <5 мс и долей ложных срабатываний <0,1%.

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →
Поделиться
Репозиторий
1 год назадЕщё не проверено

🚨 Обнаружение аномалий в реальном времени для Apache Struts CVE-2017-5638

Обнаружение zero-day эксплойтов на основе потоковой аналитики и вероятностных структур данных

Скриншот панели управления Скриншот панели управления

📌 Описание проекта

Этот проект представляет собой систему обнаружения аномалий в реальном времени, предназначенную для обнаружения эксплуатации RCE (удалённого выполнения кода) на Apache Struts через уязвимость CVE-2017-5638, без зависимости от известных сигнатур или шаблонов.

CVE-2017-5638 — это критическая уязвимость, использованная в атаке на Equifax в 2017 году, которая привела к утечке личных данных 147 миллионов человек. Атака оказалась успешной из-за сбоев в управлении исправлениями и раннем обнаружении.

Эта система устраняет эти недостатки с помощью:

  • ✅ Поведенческое обнаружение (а не сигнатуры)
  • ✅ Байтовый 3-граммный анализ всех HTTP-запросов
  • ✅ Count-Min Sketch для эффективного отслеживания частоты
  • ✅ KL-дивергенция для измерения отклонений от нормальных паттернов
  • ✅ Адаптивный порог (среднее + 3σ) для обнаружения в реальном времени
  • ✅ Визуальная панель управления на Streamlit

Цель: обнаружить zero-day эксплойты до того, как система будет скомпрометирована, даже если такая нагрузка ранее никогда не встречалась.


🎯 Основные цели

  • Обнаружение эксплуатации Struts в реальном времени с задержкой ≤ 5 мс
  • Память ≤ 1 ГБ даже при пропускной способности ≥ 50 000 запросов/сек
  • Уровень ложных срабатываний < 0,1% на нормальных данных
  • Уровень обнаружения ≥ 95% для синтетических эксплойт-нагрузок
  • Система может быть развёрнута и мониториться в реальном времени

Шаги запуска

  • Запустите симулятор логов (50 тыс. запросов/сек, 60 секунд) python scripts/simulate_logs.py
  • Запустите систему обнаружения python src/main.py
  • Откройте панель реального времени в новом терминале streamlit run scripts/dashboard.py
Скачать инструмент