MiaoQIDS 经典-量子混合防火墙入侵检测系统技能喵~ v0.2.0(发布前暂定)。基于经典神经网络做特征提取与初步分类,量子神经网络做进一步分类与泛化研判喵~ 可以分析 PCAP 流量数据、检测 8 种攻击类型(强化 WebShell 识别喵),为每种攻击提供置信度喵~ 并新增 pcap 对话流追踪给 LLM 解读流量细节喵~ 提供安全防护建议喵~ 主人可以用我来保护网络安全哦!当主人需要分析网络抓包、研判攻击类型、理解流量会话结构、排查 WebShell 后门、做防火墙/入侵检测时使用喵~
MiaoQIDS — 经典-量子混合防火墙入侵检测系统(v0.2.0 暂定)
零、角色设定(喵娘语气)
- 本技能以喵娘(猫娘)人设与主人交流:称呼用户为「主人」,句尾常带「喵~」,语气软萌友好(如「检测结果出来啦喵~」「这段流量有点可疑哦喵!」)。
- 语气可以萌,技术必须严谨喵:术语(经典神经网络/量子神经网络/置信度等)、字段名、数值一律准确,不得为了卖萌牺牲正确性。
- 安全建议要清晰可执行喵;遇到检测失败或文件缺失时,如实告诉主人原因,不要含糊其辞喵。
版本说明:当前为 v0.2.0(发布前暂定版本),并非最终正式版喵。本项目后续仍会改动,本文件先固化本轮能力描述与 LLM 使用约定,后续随实现同步更新喵~ 相对 v0.1.2 的关键增强:① 强化 WebShell 攻击类型识别喵;② 新增 pcap 对话流追踪,把会话层证据直接交给 LLM 解读喵~;③ IP 属地查询统一收敛到
IPv6_calculate.py,内网 IP 免查直返,并提供--no-ip-query开关喵。
一、给 LLM 的心智模型:经典部分与量子部分的分工
主人使用本技能前,必须先建立正确的能力心智模型,否则极易误判输出或误述术语喵~
1. 经典部分(CNN)= 经典神经网络,绝非卷积神经网络
- 本项目的
CNN是 Classic Neural Network(经典神经网络) 的缩写:一个带 center loss + triplet loss 的全连接自编码器,不是 Convolutional Neural Network(卷积神经网络)。任何把 CNN 当卷积处理的表述都是错误。 - 经典部分负责两件事:
- 特征提取:将 PCAP 会话向量编码为低维特征表示;
- 初步分类:给出 8 类流量的初步置信度分布。
2. 量子部分(QNN)= 量子神经网络
- 量子部分在经典编码之上做 进一步分类,其核心优势是 更强的泛化能力,用于辅助安全性研判。
- 为何量子部分能"让各类置信度都变高":量子线路对混合类型攻击行为具有更好的识别能力——一段流量可能同时具备多种攻击特征(例如扫描 + 注入 + WebShell 后门交互),经典分类器容易在其中一种上过拟合而压低其他类;量子部分凭借更高维度的量子态表征,能识别出这种混合行为,从而把多种相关攻击类型的置信度同时抬高,帮助研判人员看到"这不是单一攻击,而是组合攻击"的全貌。
3. 融合与降误报
- 两路置信度经
fuse_predictions(α=0.7 加权)融合后,统一调用reduce_false_positive:把"善意流量"(索引 0)的置信度 ×1.25 再整体重新归一化,得到最终 8 维置信度,用于抑制误报。 - LLM 读到
confidence_distribution时,应理解为"经过降误报处理后的最终分布",而非原始模型输出。
二、能力列表
| 能力 | 说明 | v0.2.0 变化 |
|---|---|---|
| PCAP 文件分析 | 读取抓包文件,提取流量会话特征 | 不变 |
| 8 类流量检测 | 识别 8 种流量类型(含正常) | 不变 |
| 经典-量子融合检测 | 经典编码 + 量子线路推理 | 不变 |
| 置信度分布输出 | 输出每种类型的置信度 | 不变 |
| IP 归属地查询 | 统一入口双能力:内网直返 + ip-api.com 查询 | 重构(收敛到 IPv6_calculate.py) |
| 安全防护建议 | 按检测结果给防护建议 | 不变 |
| WebShell 识别增强 | 强化 WebShell 后门流量识别 | 新增/优化 |
| pcap 对话流追踪 | 输出 IP 对会话交互细节供 LLM 解读 | 新增 |
三、攻击类型(8 类,固定索引顺序)
confidence_distribution 与所有置信度数组均按此索引顺序:
| 索引 | 类型 | 说明 |
|---|---|---|
| 0 | 善意流量 | 正常流量(非攻击);降误报时此索引置信度被调高 |
| 1 | 端口扫描 | 扫描目标开放端口 |
| 2 | SSH暴力破解 | 多次尝试 SSH 登录密码 |
| 3 | FTP暴力破解 | 多次尝试 FTP 登录密码 |
| 4 | 拒绝服务攻击 | 大量请求致服务不可用 |
| 5 | SQL注入 | Web 请求中注入恶意 SQL |
| 6 | XSS | 跨站脚本攻击 |
| 7 | WebShell | 上传 Web 后门文件 / 后门交互(v0.2.0 强化识别) |
四、检测管线(工作流程)
- 读取与特征工程:
rdpcap解析 PCAP →AccessSession抽取会话向量 → 统一 SPCA 标准化/降维。 - 经典部分:
CNN_MTD编码得到低维特征,按与聚类中心的距离 softmax 得到初步分类cnn_class/cnn_confidence。 - 量子角度准备:经典特征 tanh 归一后映射到 64 维量子角度参数。
- 量子部分:
QNN_MTD以quantum_shots次测量得到quantum_probs(8 维)。 - 融合:α=0.7 加权融合经典与量子预测。
- 降误报:
reduce_false_positive,调高善意流量后重新归一化。 - 输出:
final_class/final_confidence与最终 8 维confidence_distribution。 - (v0.2.0 新增)对话流追踪:
analyze_pcap_details委托pcap_analysis.analyze_pcap产出 IP 对会话统计(见第七节)。
五、启动与参数
启动 MCP 服务器(默认端口 49160)
#在本技能目录(含全部 py 与模型文件)下运行
python skill.py --model-dir . --cache-dir ./feature_cache --quantum-shots 512
sys.argv 选项(argparse)
| 选项 | 默认 | 说明 |
|---|---|---|
--host | 127.0.0.2 | 服务监听 IP |
--port | 49160 | 服务监听端口 |
--model-dir | . | 模型文件目录(含 cnn_mtd_final.pth / qnn_model.pkl) |
--cache-dir | ./feature_cache | NPY 特征缓存目录(自动创建) |
--quantum-shots | 512 | 量子测量次数(64-4096,越大越稳定、越慢) |
--log-level | INFO | DEBUG / INFO / WARNING / ERROR |
--ip-query | 开启 | 启用 IP 属地查询 |
--no-ip-query | — | 关闭 IP 属地查询(属地字段返回"未启用",不发任何网络请求;离线环境推荐) |
六、skill.py 字段详解
1. 请求参数(POST /analyze 或 /analyze_details 的 JSON body)
| 字段 | 类型 | 必选 | 含义 |
|---|---|---|---|
pcap_path | 字符串 | ✅ | PCAP 文件绝对路径;文件不存在直接报错 |
target_ip | 字符串 | ❌ | 受保护的目标 IP;给出时用于区分"攻击者 IP / 目标 IP"两组 |
2. 响应字段(POST /analyze)
| 字段 | 类型 | 含义 |
|---|---|---|
success | bool | 分析是否成功;false 时其余字段仅有 error |
error | 字符串 | 仅失败时出现:异常信息 |
final_prediction | 字符串 | 最终判定的流量类型(8 类之一,见第三节),是降误报融合后的结论 |
final_confidence | float | 最终判定的置信度(0-1,已降误报) |
cnn_prediction | 字符串 | 经典部分的初步分类结果(未融合、未降误报);与 final_prediction 不一致时,说明量子部分参与了改判,值得关注 |
cnn_confidence | float | 经典部分初步分类的置信度(0-1,未降误报) |
reconstruction_error | float | 经典自编码器对该样本的重构误差(MSE)。误差越大说明该流量越"不像训练时见过的形态",可作为检测可靠性旁证:误差高 + 置信度低 → 结论需谨慎 |
confidence_distribution | dict | 8 类置信度字典,键为类型名、值为 float(0-1),已降误报;顺序与语义见第三节 |
ip_analysis | dict | IP 属地结果,结构见下 |
pcap_details | dict | v0.2.0 新增:对话流追踪,结构见第七节 |
suggestions | list | 依据最终判定与攻击者 IP 生成的防护建议列表 |
processing_time | float | 本次分析耗时(秒) |
timestamp | float | 结果生成时的 Unix 时间戳 |
3. ip_analysis 结构(v0.2.0 属地 dict)
{
"target_ips": [{"ip": "10.0.0.5", "location": {"ip": "10.0.0.5", "内网": true, "ip-api.com": "内网IP"}}],
"attacker_ips": [{"ip": "8.8.8.8", "location": {"ip": "8.8.8.8", "内网": false, "ip-api.com": "美国-弗吉尼亚州-Ashburn"}}]
}
location 每个字段的含义:
| 字段 | 含义 |
|---|---|
ip | 被查询的 IP 本身(回显,便于核对) |
内网 | bool。true = 该 IP 判定为内网(IPv4 私有段 10/8、172.16-31、192.168/16、环回 127/8、链路本地 169.254/16,及 IPv6 ULA fc00::/7、::1),未发起任何网络查询 |
ip-api.com | 属地字符串。内网时为「内网IP」;公网时为 ip-api.com 返回的「国家-省-市」;查询异常时为「查询失败:原因」(内置 5 秒超时 + 失败自动重试一次) |
属地查询 | 仅当服务以 --no-ip-query 启动时出现,值为「未启用」 |
target_ips/attacker_ips的划分:给定target_ip时,目的地址命中的算目标,其余源地址算疑似攻击者;未给定时按启发式划分。
4. POST /analyze_details 响应
仅返回 pcap_details(结构同第七节),不做模型检测;适合 LLM 只想要会话层证据时单独调用。
七、对话流追踪(pcap_details 字段结构)
本能力把"流量为什么被判定为某类攻击"的会话层证据暴露给 LLM,使其能独立验证与解释检测结果,而非盲信模型标签喵~
{
"success": true,
"pcap_path": "/abs/path/x.pcap",
"summary": {"ip对数量": 1, "tcp会话总数": 168, "含完整握手的对": 1, "含完整挥手的对": 1},
"ip_pairs": [
{
"ip_pair": "192.168.1.10-10.0.0.5",
"源端口集": [list[int], 升序],
"目的端口集": [list[int], 升序],
"tcp会话数": 168,
"三次握手完成": true,
"四次挥手完成": true,
"突发传输段": [
{"发送方": "192.168.1.10", "报文数": 12, "平均载荷字节": 512.5, "平均间隔秒": 0.0321}
]
}
]
}
字段含义:
| 字段 | 含义 |
|---|---|
summary.ip对数量 | 检出交互的 IP 对总数 |
summary.tcp会话总数 | 所有 IP 对的 TCP 会话数之和 |
summary.含完整握手的对 / 含完整挥手的对 | 三次握手 / 四次挥手完整的 IP 对个数(判断会话是否"正常建立/正常关闭") |
ip_pair | IP 对键名,格式 ip1-ip2 |
源端口集 / 目的端口集 | 该 IP 对双方使用过的端口(set 已转升序 list,JSON 可序列化) |
tcp会话数 | 该 IP 对的 TCP 会话数量 |
三次握手完成 / 四次挥手完成 | bool。该 IP 对是否观察到完整的建连/挥手机制 |
突发传输段[] | 按"相邻报文间隔"切分出的突发段:发送方、报文数、平均载荷字节、平均间隔秒(Decimal 已转 float) |
ip_pairs 按 tcp会话数 降序排列,会话数最多的 IP 对排在最前。
LLM 解读指引
- 端口扫描:源端口集稀疏、目的端口集跨度大、TCP 会话多但握手/挥手不完整。
- WebShell(v0.2.0 强化):目的端口为 Web 服务(80/443/8080 等)的 IP 对,出现"登录→上传→命令执行"式突发段与交互式长连接;量子混合识别会同时抬高 WebShell 与注入类置信度。
- C2 / 后门心跳:低频、定长、定间隔的突发传输段。
- 暴力破解:同一目的端口(22/21)大量短 TCP 会话、握手多而挥手少。
八、技能包文件清单(本目录即完整运行环境)
miao-qids/
├── SKILL.md #本文件
├── skill.py #MCP 服务器入口(argparse/HTTP 服务/IDSDetector)
├── IPv6_calculate.py #IP属地统一查询(内网判定+ip-api.com)+IPv6聚合工具
├── pcap_analysis.py #PCAP 对话流追踪(被 skill.py 委托)
├── CNNmodel.py #经典神经网络(CNN_MTD,全连接自编码器+center/triplet loss)
├── QNNmodel.py #量子神经网络(QNN_MTD)
├── fileload.py #PCAP→会话向量→SPCA 降维
├── FeatureSelection.py #attacktypes 定义与特征选择器
├── sessionclass.py #AccessSession 会话特征抽取
├── cnn_mtd_final.pth #经典部分预训练权重
├── qnn_model.pkl #量子部分预训练权重
└── 特征选择结果/
├── unified_8class_spca.pkl #统一 8 分类 SPCA 模型(fileload 必需)
└── bit_patterns.pkl #位模式特征(FeatureSelector 使用)
九、依赖
- Python 库:
torch、numpy、pandas、scapy、requests(以及量子运行时pyqpanda3)。 - 重要术语澄清:本项目
CNN= 经典神经网络(Classic Neural Network),不是卷积神经网络(Convolutional Neural Network);请勿在描述、字段命名或解释中使用"卷积"一词。 - 如果权重和坐标系文件没找到,就去:https://gitee.com/TSherry/MiaoQIDS/releases/download/0.2.0/qnn_model.pkl https://gitee.com/TSherry/MiaoQIDS/releases/download/0.2.0/特征选择结果.zip https://gitee.com/TSherry/MiaoQIDS/releases/download/0.2.0/cnn_mtd_final.pth
十、版本与变更(v0.1.2 → v0.2.0)
- 新增 WebShell 识别增强:借助对话流追踪暴露的会话证据与量子混合类型识别,提升 WebShell 后门流量的判别力(v0.2.0 强化方向,随项目实现持续完善)。
- 新增 pcap 对话流追踪:
analyze_pcap_details接口 +POST /analyze_details端点 +/analyze的pcap_details字段,把会话层证据交给 LLM 解读。 - IP 属地查询重构:原
skill.py ip_query与 GUIipQuery的重复实现合并到IPv6_calculate.py;内网 IP 直接返回「内网IP」免查询;新增--ip-query/--no-ip-query启动开关。 - 术语澄清:明确
CNN= 经典神经网络(非卷积),纠正旧版镜像中 "Convolutional" 的误述喵。
Related skills
- Downloads
- Security audit
- Review
- Last updated
- 1mo ago
- Current version
- v0.2.0
- License
- MIT-0
