sangge/BackDoorBuster
sangge/BackDoorBuster
1
0
Fork 0
Code Issues Pull Requests Projects 1 Activity

feature/cn-gpt #21

Merged
dqy merged 10 commits from feature/cn-gpt into main 2024-05-26 16:59:24 +08:00
Conversation 3 Commits 10 Files Changed 3 +17 -1
5 changed files with 17 additions and 1 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files
Showing only changes of commit f0e2251dc0 - Show all commits

1
.gitattributes vendored Normal file
View File

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

2
.github/workflows/python-tests.yml vendored
View File

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

1
README.md
View File

@ -1,5 +1,6 @@
# BackDoorBuster # BackDoorBuster
![BackDoorBuster Banner](./banner.webp)
## 项目背景 ## 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。 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。

BIN
banner.webp (Stored with Git LFS) Normal file
View File

Binary file not shown.

11
docs/idea.md
View File

@ -8,6 +8,10 @@
参考项目： [https://github.com/SonarSource/sonarqube] 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 ## 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。 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/] 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 ## 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。 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。 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。 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。