LogAIzer – Intrusion Detection System (IDS)
Sistema di Intrusion Detection (IDS) basato su Machine Learning, allenato sul dataset NSL-KDD con integrazione un backend con FastAPI e Frontend con Streamlit per facilitare la simulazione.
ℹ️ Nota importante
La simulazione di attacchi è puramente virtuale. I pacchetti non vengono trasmessi sulla rete reale, ma inviati come JSON al backend e classificati dal modello ML.
Per la documentazione completa di ogni fase, fare riferimento ai relativi README.md.
data_analysis/ → esplorazione dati (README.md, analysis.ipynb)
src/ → codice sorgente (training, modelli, README.md)
reports/ → risultati, feature importance, modelli, scaler/encoder
src/fastAPI/ → demo finale (backend, dashboard, sqlite db, README.md)
Come funziona:
Il nucleo predittivo è costituito da un modello MLPClassifier implementato in PyTorch, addestrato utilizzando le otto feature più rilevanti individuate tramite analisi di importanza. Queste feature consentono di distinguere il traffico normale da tre tipologie principali di anomalie di rete.
Il modello riesce a predire correttamente la natura del traffico poiché, durante l’addestramento, ha appreso i pattern numerici caratteristici associati a ciascuna classe. In particolare, per ogni tipologia di attacco ha identificato le combinazioni di valori che lo contraddistinguono nel dataset, rendendo possibile una classificazione affidabile.
Workflow completo
Clonare il repository:
git clone https://github.com/TDianaAle/logAIzer.gitscarica le dipendenze:
cd logaizer
pip install -r requirements.txtAvviare il training:
cd logaizer
python -m src.torch_trainIl training genera:
reports/model_best.pth
reports/encoders.joblib
reports/scaler.joblib
Avvio backend
python -m uvicorn src.fastAPI.ids_backend:app --reload --host 127.0.0.1 --port 8000In un altro terminale avviare la dashboard:
python -m streamlit run src/fastAPI/ids_dashboard.py
Nella dashboard vi è presente una legenda con i valori numerici di ogni feature per poter determinare 3 tipi di attacco e traffico normale. La legenda aiuta a compilare il form, dove si inseriscono i valori di un pacchetto ( seguendo la legenda poiché il modello riconosce quelli).
In seguito il pacchetto viene inviato al backend, che restituisce la predizione (normal o attack) e genera log con la conologia delle predizioni e un grafico con statistiche.