Skip to content

Latest commit

 

History

History
126 lines (87 loc) · 2.52 KB

README.md

File metadata and controls

126 lines (87 loc) · 2.52 KB
Raw

操作系统指纹识别系统

这是一个基于网络流量分析的操作系统指纹识别系统，通过分析网络数据包的特征来识别不同的操作系统类型。

English Version

功能特点

  • 自动生成多种类型的网络流量数据
  • 提取 PCAP 文件中的网络流量特征
  • 支持多种操作系统的识别（CentOS、Ubuntu、Debian、Windows、macOS）
  • 使用机器学习模型进行操作系统分类
  • 集成多个分类器提高识别准确率

项目结构

project/
├── send_https_requests.sh # 网络流量生成脚本
├── pcap_extractor.py # PCAP 文件特征提取
├── process_features.py # 特征处理和数据预处理
├── model_training.py # 模型训练和评估
├── predict.py # 使用训练好的模型进行预测
├── feature_files/ # 特征文件存储目录
└── pcap_files/ # PCAP 文件存储目录

技术栈

  • Python 3.x
  • scikit-learn
  • pandas
  • numpy
  • pyshark
  • loguru
  • bash 脚本

安装说明

  1. 安装依赖包：
pip install pandas numpy scikit-learn pyshark loguru
  1. 安装系统依赖：
sudo apt-get install tcpdump tshark

使用方法

  1. 生成网络流量数据：
chmod +x send_https_requests.sh
./send_https_requests.sh
  1. 提取 PCAP 文件特征：
python pcap_extractor.py
  1. 处理特征数据：
python process_features.py
  1. 训练模型：
python model_training.py
  1. 使用模型进行预测：
python predict.py --pcap <path_to_pcap_file> --model <path_to_model_file>

特征说明

系统提取的主要特征包括：

  • IP 包长度统计特征（最大值、最小值、平均值、标准差）
  • TTL 值统计特征
  • TCP 窗口大小统计特征
  • TCP 标志位统计
  • TCP 时间戳特征

模型说明

使用集成学习方法，包含以下分类器：

  • K近邻分类器 (KNN)
  • 支持向量机 (SVM)
  • 随机森林 (Random Forest)
  • 逻辑回归 (Logistic Regression)

注意事项

  1. 运行流量生成脚本需要 root 权限
  2. 确保有足够的磁盘空间存储 PCAP 文件
  3. 建议在测试环境中运行流量生成脚本

文件下载

需要的文件可以从以下链接下载：Google Drive

许可证

MIT License

贡献指南

  1. Fork 该项目
  2. 创建特性分支
  3. 提交更改
  4. 发起 Pull Request

联系方式

如有问题，请提交 Issue 或 Pull Request。