.gitattributes

@@ -0,0 +1 @@
+*.webp filter=lfs diff=lfs merge=lfs -text

.github/workflows/python-tests.yml

@@ -18,4 +18,4 @@ jobs:
         run: python -m unittest discover -s tests
         env:
           OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
-          http_proxy: http://192.168.1.3:10809
+          http_proxy: http://192.168.1.2:10809

README.md

@@ -1,5 +1,6 @@
 # BackDoorBuster
 
+![BackDoorBuster Banner](./banner.webp)
 ## 项目背景
 
 随着网络安全威胁的增加，恶意软件和后门的检测成为了保护个人和组织数据安全的重要任务。后门通常被隐藏在合法软件中，给黑客提供远程控制目标系统的能力。本项目旨在开发一个工具，能够有效识别和评估潜在的后门风险。

docs/idea.md

@@ -8,6 +8,10 @@
 
 参考项目： [https://github.com/SonarSource/sonarqube]
 
+检查源代码的语法和关键词。通过这种方式，可以发现是否存在与其他语言的交互，比如调用外部命令、使用其他语言的扩展模块、与其他语言的接口交互等。
+
+实现方法：可以使用Python代码解析库（如ast模块）来分析语法树，并检查特定的代码模式或结构；开发脚本来搜索Python代码中常用于与其他语言交互的关键词和函数，例如ctypes、subprocess、os.system等
+
 ## 控制流分析
 
 通过分析程序的控制流（即程序中各个操作的执行顺序），可以检测到异常的控制流路径，这些路径可能是后门的迹象。
@@ -22,6 +26,10 @@
 
 这个网站可以搜索依赖中是否存在漏洞： [https://security.snyk.io/package/pip/]
 
+分析代码库中的依赖关系，查找是否导入了与其他语言交互相关的模块或库
+
+实施策略：开发脚本进行依赖库对比匹配
+
 ## 异常行为检测
 
 通过定义“正常”代码行为的基线，可以标识出异常行为，这些异常行为可能指示着后门的存在。
@@ -33,3 +41,6 @@
 使用NLP技术来训练机器学习模型，以自动从大量代码中学习和识别异常或潜在的后门模式。
 
 开发方法：采用深度学习框架如TensorFlow或PyTorch，结合NLP处理工具，训练模型识别代码中的异常行为。
+
+
+