README.fa.md

# Abdal XSS AI Engine

## 🎤 ترجمه اطلاعات نرم افزار
- [English](README.md)
- [فارسی](README.fa.md)

 
<p align="center"><img src="scr.jpg?raw=true"></p>


## 💎 هدف اصلی
مدل هوش مصنوعی  Abdal XSS AI Engine با هدف ارائه یک راهکار پیشرفته و رایگان برای مقابله با حملات XSS در ایران توسعه داده شده است. با توجه به نبود ابزارهای مناسب سایبری داخلی، این مدل به عنوان یک نیاز ضروری برای افزایش امنیت در فضای سایبری ایران طراحی شده تا از حملات XSS جلوگیری کند و کاربران ایرانی بتوانند از حفاظت بهتری برخوردار شوند.


## 🛠️ پیش نیاز برای برنامه نویسان
- **Python 3.7 یا بالاتر**
- **Flask** (برای ساخت RESTful API)
- **TensorFlow** (مدل‌های یادگیری عمیق)
- **Scikit-learn** (برای پیش‌پردازش داده‌های متنی و بردار سازی TF-IDF)
- **Pandas** (برای مدیریت داده‌ها در مقیاس بزرگ)
- **درک عمیق از امنیت وب و حملات XSS**
- **Git** (کنترل نسخه و مدیریت مخازن)


### 🔥 پیشنیازها

- **Python 3.7 یا بالاتر**
- **Flask**
- **TensorFlow**
- **Scikit-learn**
- **Pandas**
- **Pickle**


## ✨ قابلیت ها

- قابلیت پردازش صدها هزار الگوی XSS و شناسایی حملات جدید.
- استفاده از مدل یادگیری عمیق با چند لایه Dense و Dropout.
- آموزش مدل با استفاده از مجموعه داده ترکیبی از فایل‌های CSV.
- استفاده از تکنیک TF-IDF برای استخراج ویژگی‌های متنی از حملات XSS.
- قابلیت افزایش دقت مدل با داده‌های جدید و به‌روز رسانی مداوم.
- پشتیبانی از بهینه‌سازی مدل با استفاده از روش Adam و معیار دقت (accuracy).
- ذخیره مدل نهایی و وکتورایزر برای استفاده در آینده و استقرار در محیط‌های مختلف.


## 📝️ چگونه کار می کند ؟

با استفاده از کد زیر می‌توانید از مدل به صورت یک API برای شناسایی حملات XSS استفاده کنید

```python

from flask import Flask, request, jsonify

import tensorflow as tf

import pickle

import numpy as np



app = Flask(__name__)



# Load the model and vectorizer

model = tf.keras.models.load_model('Abdal_XSS_AI_Engine.h5')

with open('vectorizer.pkl', 'rb') as f:

    vectorizer = pickle.load(f)





@app.route('/predict', methods=['POST'])

def predict():

    data = request.json

    sentences = data['sentences']



    # Preprocess the input data using the vectorizer

    X_new = vectorizer.transform(sentences).toarray()



    # Make predictions

    predictions = (model.predict(X_new) > 0.5).astype(int)



    # Prepare and return the response

    response = {

        'predictions': ['XSS Detected' if pred == 1 else 'No XSS Detected' for pred in predictions.flatten()]

    }

    return jsonify(response)





if __name__ == '__main__':

    app.run(debug=True)



```
علاوه بر API، می‌توانید از مدل برای خواندن داده‌ها از یک فایل متنی و شناسایی حملات استفاده کنید. کد زیر نمونه‌ای از این استفاده است:

```python

import os

import tensorflow as tf

import pickle



# Disable oneDNN custom operations

os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0'

# Set TensorFlow logging level to 'ERROR' to suppress the info and warning messages

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'



# Check if model and vectorizer files exist

model_path = 'Abdal_XSS_AI_Engine.keras'

vectorizer_path = 'vectorizer.pkl'



if not os.path.exists(model_path):

    raise FileNotFoundError(f"Model file not found: {model_path}")

if not os.path.exists(vectorizer_path):

    raise FileNotFoundError(f"Vectorizer file not found: {vectorizer_path}")



# Load the model from the Keras format

model_name = "Abdal XSS AI Engine"

model = tf.keras.models.load_model(model_path)



# Load the vectorizer

with open(vectorizer_path, 'rb') as f:

    vectorizer = pickle.load(f)



# Read new data (sentences) from a file (e.g., 'attack-xss-payload.txt')

input_file = 'attack-xss-payload.txt'

if not os.path.exists(input_file):

    raise FileNotFoundError(f"Input file not found: {input_file}")



with open(input_file, 'r', encoding='utf-8') as file:

    new_sentences = [line.strip() for line in file if line.strip()]  # Reading each line from file



# Check if any sentence exists for prediction

if not new_sentences:

    raise ValueError("No data available for prediction.")



# Preprocess the new data using the loaded TF-IDF vectorizer

X_new = vectorizer.transform(new_sentences).toarray()



# Predict using the loaded model

predictions = (model.predict(X_new) > 0.5).astype(int)



# Print predictions

for i, sentence in enumerate(new_sentences):

    print(f"Sentence: {sentence}")

    print(f"Prediction: {'XSS Detected' if predictions[i] == 1 else 'No XSS Detected'}\n")



```
### نحوه‌ی بارگذاری مدل برای TensorFlow 

برای استفاده از این مدل در پروژه‌ی TensorFlow، کافی است کد زیر را اجرا کنید:

```python

import tensorflow as tf



# Load the saved model

model = tf.keras.models.load_model('Abdal_XSS_AI_Engine')



print("✅ Model loaded successfully!")

```

## ❤️ کمک به پروژه

https://alphajet.ir/abdal-donation

## 🤵 برنامه نویس
دست ساز با عشق توسط ابراهیم شفیعی (ابراشا)

E-Mail = [email protected]

Telegram: https://t.me/ProfShafiei

## ☠️ گزارش خطا

اگر با مشکلی در پیکربندی مواجه هستید یا چیزی آنطور که انتظار دارید کار نمی‌کند، لطفا از [email protected] استفاده کنید.طرح مشکلات بر روی  GitLab یا Github نیز پذیرفته می‌شوند.