# openUEBA

**Repository Path**: SteveRocket/openUEBA

## Basic Information

- **Project Name**: openUEBA
- **Description**: 网络安全体系化建设SCMDB、EDR、NDR、CAASM、AEMS、HoneyPot、SIEM、XDR、VAS、LAS、TIS、VDBS、SOAR、THS、DSAS、AISPM、WAF、WSM、SSAP、NSRT、SecTools、ASES、BSMPS、UEBA、TPFWS、CNAPP、PTS、IoT SOC、AISOC
http://www.mdrsec.com
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-03
- **Last Updated**: 2026-07-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 网络安全用户实体行为分析系统（UEBA）

## 关于我们

- 官网：<img src="static/logo-pink.png" style="width:33px;" alt="logo"> http://www.mdrsec.com

我们的技术文章和产品概述欢迎浏览我们的门户。

- 公众号：CTO Plus

最新的动态欢迎关注我们官方唯一公众号。

<img src="static/wechat.png" style="width:433px;" alt="微信公众号">

- 作者QQ

更详细更具体的需求，或者项目合作，或者问题 欢迎联系我。

<img src="static/author.jpg" style="width:433px;" alt="我的QQ">

- QQ群

我们官方组建的QQ群，如果您有兴趣也可以加入我们。

<img src="static/qq_qun.jpg" style="width:433px;" alt="QQ群">

- 请喝咖啡

如果感兴趣，也可以请我喝杯咖啡

<img src="static/zhifubao.jpg" style="width:433px;" alt="请我喝咖啡">

## 产品核心功能模块

![](index.jpg)
![](异常事件.jpg)
![](攻击活动.jpg)
![](调查中心.jpg)
![](资产视角.jpg)

传统基于规则和签名的安全防御体系正面临前所未有的挑战——攻击者可以伪装成合法用户，内部人员的异常行为嵌入海量正常操作中难以辨识。我们自研的用户与实体行为分析系统（UEBA）通过机器学习、统计建模和行为基线技术，将对“身份”的信任从静态授权升级为动态评估，实现了从“被动防御”向“主动预测”的范式转移。

这里我将为大家分享下我们自研的用户与实体行为分析系统（UEBA）的核心功能架构与技术特性，涵盖数据采集层、分析引擎层、风险处置层与可视化运营层四个维度，并探讨UEBA与SIEM、PAM、ZTNA等安全组件的协同关系，最后结合技术特性介绍下UEBA选型与部署的关键考量框架，为安全决策者提供系统性参考。

有需求和问题欢迎联系我们咨询。

---

## 一、背景

Verizon《数据泄露调查报告》指出，约34%的数据泄露涉及企业内部人员；Ponemon研究所的研究则显示，2021年全球60%的企业面临超过20次内部攻击，较2018年增长53%。更值得警惕的是，95%的安全事件仍由人为错误、凭证滥用和内部威胁引发。

传统安全工具的局限在于其“默认信任”模式——一旦用户通过身份认证，其后续行为便被视为合法。这种静态的、基于边界的防御思路，在云化、移动化、零信任架构普及的当下已显捉襟见肘。攻击者只需窃取一组合法凭证，便能绕过层层防火墙，以“合法身份”在系统内横向移动、窃取数据，而传统SIEM的关联规则和基于签名的检测手段对这种“合法身份的非法行为”几乎无能为力。

我们为了解决这一问题，自研了UEBA系统。2014年，Gartner首次发布UBA（用户行为分析）市场指南，次年将“实体”概念纳入，形成UEBA这一独立安全品类。其核心逻辑从“这个用户是谁”转向“这个行为像不像他”——通过持续学习每个用户、设备、应用的行为模式，建立动态基线，实时检测偏离基线的异常活动，从而在损害发生前发出预警。

---

## 二、UEBA的体系架构：四个层次与一个闭环

我们的UEBA系统，遵循“数据采集→分析建模→风险处置→可视化运营”的四层架构，并形成“检测→响应→学习→优化”的持续闭环。

### 2.1 数据采集层：全域行为数据的汇聚与标准化

我们的企业级UEBA系统的分析质量高度依赖数据源的广度与质量。支持多源异构数据的接入，包括：

- **身份认证日志**：AD/LDAP、SSO、IAM系统的登录/登出、认证成功/失败记录
- **网络流量数据**：通过旁路镜像或NetFlow获取的东西向、南北向流量元数据
- **终端行为数据**：EDR/EPP采集的进程启动、文件操作、外设接入等端点行为
- **应用与业务日志**：VPN、堡垒机、邮件系统、ERP/CRM等核心应用的操作日志
- **数据访问审计**：数据库审计系统、文件服务器的读写/下载/外发记录
- **HR与上下文数据**：员工部门、职级、入职/离职状态、组织架构等

数据采集层的关键能力在于“归一化”——将不同格式、不同语义的日志统一为标准化行为事件（如“用户在何时、从何地、通过何设备、访问了何资源、执行了何操作”）。同时，我们的UEBA系统支持与用户身份主数据系统的实时同步，确保行为事件能够准确映射到具体的“人”和“实体”之上。

### 2.2 分析引擎层：从规则到算法的智能跃迁

分析引擎是UEBA的“大脑”，其能力层级直接决定了产品的检测效果。我们的UEBA系统融合三类分析方法：

| 方法类型        | 典型技术                 | 适用场景                     |
|-------------|----------------------|--------------------------|
| **统计学习**    | 标准差分析、时间序列建模、分位数回归   | 建立行为频次/时间/地域的统计基线，检测显著偏离 |
| **有监督机器学习** | 随机森林、XGBoost、深度学习分类器 | 基于标注样本识别已知攻击模式（如撞库、数据渗出） |
| **无监督机器学习** | 聚类、孤立森林、自编码器         | 发现未知威胁、零日攻击、隐蔽的低速异常      |

区别于传统SIEM的静态规则，UEBA的分析引擎具备“自适应”能力——它持续学习用户的历史行为模式，也参考同部门、同角色的“对等群体”行为特征，从而区分“个人习惯”与“真实异常”。例如，某高管频繁深夜登录可能是其工作习惯，但若其首次从不常使用的国家发起连接，系统仍会标记为高风险。

### 2.3 风险处置层：从告警到行动的决策中枢

检测到异常只是第一步，UEBA的价值最终体现在“可行动的智能”。风险处置层承担三项核心职责：

- **风险评分与聚合**：将多个异常信号加权汇总为0-100的实体风险评分，避免告警碎片化。例如，将用户的多维度行为偏差融合为单一风险分，强调跨实体关联以发现横向移动等复杂攻击模式。
- **优先级排序**：根据资产敏感度、用户权限级别、行为偏离程度、威胁情报匹配度，动态调整告警优先级，确保SOC团队优先处置真正高危的事件。
- **响应策略编排**：联动IAM、PAM、EDR等执行系统，实施分级响应——从增强审计、二次认证（MFA挑战）到会话阻断、账号冻结。高端产品支持“自适应响应”，根据风险等级动态调整处置力度。

### 2.4 可视化与运营层：从数据到洞察的最后一步

我们的UEBA系统的运营界面兼顾“宏观态势感知”与“微观行为追溯”：

- **实体全景画像**：以用户/设备为中心聚合所有历史行为，呈现静态属性（部门、职级、权限）与动态行为（登录模式、访问习惯、风险记录）的融合视图。
- **行为时间线**：以时间轴形式还原用户完整操作序列，支持从登录、命令执行到数据外发的全链路溯源。
- **风险热力图与仪表盘**：从组织、部门、应用、地域等多维度展示风险分布，支持钻取分析。
- **AI辅助调查**：部分前沿产品（如派拉UARM-Agent）引入大语言模型，自动生成人类可读的事件调查报告与证据链，将分析师从繁琐的日志解读中解放。

---

## 三、UEBA核心功能模块

系统部分功能模块如下

- 仪表盘 - 实时监控系统整体安全态势
    - 关键指标卡片（高风险用户、异常行为数等）
    - 风险评分趋势图
    - 用户风险分布图
    - 实时异常事件列表
    - 最新告警展示

- 用户行为分析 - 深度用户行为监控
    - 实时活动流监控
    - 用户活动轨迹追踪
    - 对等组行为分析
    - 用户画像和行为基线

- 异常检测 - 智能异常识别
    - 异常事件列表与过滤
    - 风险评分系统
    - 行为模式分析
    - 异常等级分类

- 威胁狩猎 - 主动威胁发现
    - 威胁指标(IOC)匹配
    - 攻击活动追踪
    - 威胁情报集成

- 调查中心 - 事件调查分析
    - 事件详情查看
    - 时间线分析
    - 关联事件挖掘

在四层架构框架下，我们的UEBA系统的核心功能为以下六大能力模块。

### 3.1 行为基线建模：从“静态快照”到“动态剖面”

行为基线是UEBA区别于传统检测技术的根本特征。其建模过程包含三个维度：

**个体基线**：针对每个用户/实体，学习其日常行为的“正常区间”。例如，某员工通常在工作日9:00-18:00登录、日均访问OA系统3-5次、下载文件量约10MB/天。系统持续更新这一基线，当某日该员工凌晨2点登录并批量下载2GB文件时，偏差度显著触发告警。

**群体基线（对等组分析）**：将用户按部门、角色、职级聚类，建立群体行为参考系。例如，所有财务人员均在每月25-30日集中访问报表系统，若某财务人员在月中频繁导出全量数据，即使未突破个人历史基线，对照群体行为也构成异常。Microsoft Sentinel的UEBA模块使用TF-IDF算法计算对等用户排名，支持分析师快速定位“与同类人行为不同”的个体。

**实体关联基线**：突破单一实体视角，学习“用户-设备-应用”之间的关联模式。例如，某用户惯常使用公司配发的MacBook通过VPN访问GitLab，若某日突然使用个人Windows设备从公网直接登录，系统判定为风险行为。

基线建模的技术难点在于平衡“灵敏度”与“误报率”——模型需区分真正的恶意行为与因业务变更（如岗位调整、项目上线）导致的合法行为变化。成熟产品通常引入“基线衰减因子”或“季节性调整”机制，使模型能够适应组织行为的自然演进。

### 3.2 异常检测模型库：覆盖ATT&CK的威胁发现矩阵

我们的UEBA系统内置丰富的检测模型库，覆盖账号安全、数据安全、主机安全、内部威胁等多个场景。这些模型通常与MITRE ATT&CK框架对齐，将行为偏差映射到具体的战术与技术（如T1078“有效账户”、T1110“暴力破解”、T1556“修改认证过程”）。

**典型检测场景示例**：

| 场景类别 | 检测模型    | 行为特征                     | ATT&CK映射 |
|------|---------|--------------------------|----------|
| 账号接管 | 不可能旅行   | 同一用户在极短时间内从地理距离遥远的两个地点登录 | T1078    |
| 权限提升 | 异常权限使用  | 用户首次执行与其角色不符的高权限操作       | T1548    |
| 横向移动 | 跳板机异常串联 | 用户通过非惯用路径访问多台主机，形成异常访问链  | T1021    |
| 数据渗出 | 低速数据泄露  | 长时间、低流量的数据外传，规避传统DLP阈值   | T1048    |
| 内部威胁 | 离职前异常行为 | 临近离职员工大量访问/下载非本职范围的敏感数据  | T1530    |

支持“自定义机器学习检测框架”，允许用户通过拖拽式界面构建场景化模型，无需编写代码即可完成特征提取、算法选择、阈值调优与部署上线，大幅降低检测模型的维护门槛。

### 3.3 风险评分与聚合引擎：从“告警洪流”到“可行动的风险”

告警疲劳是SOC运营的头号痛点。UEBA通过多层次评分机制将海量异常事件压缩为可管理的风险视图：

**事件级评分**：针对单次行为异常（如一次异常登录），系统综合考量行为罕见度（相比个人基线）、资产敏感度（目标系统的关键性）、上下文合理性（时间、地点、频次）等因素，给出0-10或0-100的事件风险分。

**实体风险聚合**：将同一用户/实体在时间窗口内的所有异常事件加权聚合，生成综合风险评分。聚合算法需考虑事件间的关联性——例如，一次异常登录+首次批量下载+压缩打包操作，三者叠加的威胁权重远高于孤立事件之和。

**动态阈值调整**：静态评分阈值难以适应企业环境的动态变化。成熟UEBA引入自适应阈值机制——当某一类异常在组织中普遍出现时（如全员因系统升级而集中夜间登录），系统自动降低此类事件的权重，避免“狼来了”效应。

系统输出的0-100精准风险评分，结合动态决策树联动IAM执行分级响应：低风险放行、中风险增强监控、高风险触发MFA挑战、严重风险实时阻断，形成“评分→决策→行动”的完整闭环。

### 3.4 全链路行为溯源与证据链构建

发现风险后，分析师需要回答三个问题：发生了什么？怎么发生的？影响范围多大？UEBA的行为溯源能力应支持：

- **行为时间线重建**：将分散在各系统的日志按时间序串联，还原攻击者的完整行动轨迹。例如：VPN登录→AD认证→堡垒机跳转→数据库查询→文件下载→压缩→邮件外发。
- **攻击链可视化**：以杀伤链模型（Reconnaissance→Initial Access→Execution→Persistence→Lateral Movement→Exfiltration）映射行为序列，清晰呈现攻击所处的阶段。
- **证据保全**：原始日志、会话录像、命令行记录等证据材料与告警关联存储，支持一键导出用于内部审计或司法举证。

系统强调“辅助取证”能力，围绕账号、设备、应用、文件构建多维度行为画像，为内部威胁的定性提供结构化证据支撑。

### 3.5 自适应响应与生态联动

我们的UEBA系统不是孤立的分析工具，而成为安全编排与自动化响应（SOAR）生态的“感知中枢”。其联动能力体现在：

- **与IAM/PAM联动**：当检测到账号异常时，实时调用IAM接口强制下线、要求重置密码或触发MFA；对特权账号的异常操作，联动PAM暂停会话或降级权限。
- **与EDR/NDR联动**：将用户行为风险作为主机/网络检测的上下文——例如，当某用户被UEBA标记为高风险时，EDR对该用户发起的所有进程执行深度监控，NDR对其网络流量启用全包捕获。
- **与SIEM/SOAR联动**：UEBA产生的风险事件作为高质量告警源输入SIEM，触发SOAR剧本执行自动化调查（如查询威胁情报、扫描关联主机）。

我们的UEBA系统通过与Enterprise Security的原生集成，将行为洞察与SIEM关联规则统一展示，使分析师在同一控制台完成检测、调查与响应。以及支持将告警自动合并为事件，在一个视图下集中呈现所有关联告警与处置建议。

### 3.6 运营可视化与AI辅助决策

降低UEBA的使用门槛是产品成熟度的重要标志。我们的UEBA系统在运营层面提供：

- **角色化仪表盘**：为CISO提供组织整体风险态势与趋势分析；为安全分析师提供待处置告警队列与调查工作台；为审计人员提供合规报表与行为审计追踪。
- **自然语言交互**：前沿产品集成LLM能力，支持分析师以自然语言查询行为数据（如“显示过去24小时内首次从境外登录的财务部员工”），系统自动生成查询语句并返回可视化结果。
- **AI生成调查报告**：针对高危事件，系统自动聚合相关行为上下文、风险评分依据、历史同类事件对比、响应建议，生成结构化的调查报告草稿，分析师仅需审核补充即可输出。

---

## 四、UEBA与周边安全组件的协同生态

我们的UEBA系统可以与现有安全架构进行深度融合。

### 4.1 UEBA与SIEM：能力互补而非替代

这是最常见的问题：有了SIEM还需要UEBA吗？答案是二者互补。

- **SIEM的优势**在于日志聚合、合规报表、基于规则的实时关联。它擅长回答“已知的坏是什么”。
- **UEBA的优势**在于行为基线、异常检测、风险评分。它擅长回答“未知的异常是什么”。

实践中，SIEM为UEBA提供标准化的数据输入，UEBA为SIEM提供高质量的异常告警和行为上下文。实际上，我们的SIEM已内置UEBA模块，独立的UEBA产品则增强数据管理和可操作性以趋近SIEM。企业在选型时可根据现有SIEM的能力缺口决定：是采购独立的专业UEBA产品，还是启用现有SIEM平台的UEBA附加模块。

同样的，类似我们自研的EDR系统内嵌了威胁狩猎模块。

### 4.2 UEBA与零信任架构：行为是动态访问控制的依据

零信任的核心原则是“永不信任，始终验证”。我们的UEBA系统为这一原则提供了“验证”的依据——访问决策不再仅依赖静态的身份和权限，而是融入动态的行为风险评分。

例如，某员工即使拥有财务系统的访问权限，但当UEBA检测到其行为偏离基线（如首次从异常地点登录、操作频率超常），零信任策略引擎可实时要求二次认证或限制其可访问的数据范围。这种“基于行为风险的动态访问控制”是零信任架构从1.0迈向2.0的关键特征。

### 4.3 UEBA与DLP：从“内容检测”到“行为意图分析”

传统DLP依赖关键词、正则表达式、指纹识别等内容级检测，容易被加密、压缩、分段传输绕过。我们的UEBA系统从行为意图视角弥补这一盲区——即使数据内容未被DLP识别，用户表现出的“异常搜集→打包→外传”行为序列本身即构成高风险信号。

UEBA与DLP的联动模式：DLP检测到敏感内容外发时，UEBA提供该用户近期的行为上下文（是否刚批量下载、是否临近离职），辅助判定是蓄意泄露还是正常工作需要；反之，UEBA发现数据渗出行为模式时，可触发DLP对该会话实施阻断或审计增强。

---

## 五、非功能性特性

### 5.1 数据源兼容性与集成成本

UEBA的分析质量高度依赖数据广度。产品对现有日志源的“开箱即用”支持程度——预置主流AD、VPN、云办公套件（如M365、Google Workspace）、堡垒机、数据库审计系统的解析器。对于自定义应用，提供灵活的日志接入方式（Syslog、API、Kafka）。集成成本往往占UEBA部署总成本的30%-50%，不可低估。

### 5.2 检测模型的成熟度与可解释性

UEBA提供模型的可解释性——当系统判定某行为异常时，能清晰展示判断依据（如“该用户首次从此国家登录，且其对等组中无人从此地登录”）。可解释性不仅是运营需求，也是合规审查的必要条件。同时，产品提供预置检测模型及其覆盖场景，满足企业当前最紧迫的安全用例。

### 5.3 误报率与基线学习周期

UEBA上线初期通常伴随较高的误报率，需经历2-8周的行为基线学习期。数据的质量直接关系到了学习期需所需要的数据量。支持“回放”历史日志以加速基线建立。提供误报反馈机制使模型持续优化。通过RAG技术挂载历史风险事件库与威胁情报，在推理时补充上下文以降低误报。

### 5.4 性能与扩展性

UEBA处理海量行为事件，单节点事件处理吞吐量（EPS/TPS）。数据保留周期与存储成本。支持分布式部署与横向扩展。

### 5.5 响应能力的闭环程度

“检测”只是手段，“响应”才是目的。产品能与现有IAM、PAM、防火墙、EDR实现自动化联动。支持Webhook、REST API、标准化响应剧本，使风险处置从“人工研判→手动执行”升级为“自动评分→触发响应→效果反馈”的闭环。

### 5.6 部署模式与合规要求

UEBA产品覆盖SaaS云服务、本地化软件、虚拟化镜像等多种部署形态。涉及敏感数据出境、行业监管（如金融、医疗、政务）的企业，需重点评估部署模式是否满足数据本地化与合规审计要求。同时我们的UEBA系统已完成信创适配。

---

## 最后

后面，我们将继续迭代和UEBA的系统能力，计划将从以下三个方面开展：

**AI大模型的深度融合**：LLM将不仅用于自然语言交互，更将直接参与行为意图理解——从“行为序列匹配”升级为“语义级异常推理”。例如，理解员工“先查询组织架构，再批量导出研发文档”背后的潜在意图。

**跨域行为关联**：打破IT、OT、IoT域间的行为数据孤岛，构建覆盖“人-设备-应用-物理环境”的全域行为图谱。例如，某员工门禁卡显示已离开园区，但其账号同时从内网发起数据下载——UEBA将物理行为与数字行为关联，识别凭证共享或账号盗用。

**隐私增强行为分析**：在GDPR、个人信息保护法日趋严格的背景下，UEBA在“分析有效性”与“隐私合规”间取得平衡。联邦学习、差分隐私、同态加密等技术将被引入，使行为建模在保护原始数据不出域的前提下完成。

对于企业安全决策者而言，UEBA已不是“要不要买”的选择题，而是“如何用好”的必答题。在内部威胁超越外部攻击成为主要风险源的今天，谁能更早构建基于行为的动态信任评估能力，谁就能在不对称的攻防对抗中赢得主动权。

---

- 官网：http://www.mdrsec.com
- 产品文档：http://www.docs.mdrsec.com
- 系统演示环境：http://www.play.mdrsec.com

*本文由 http://www.mdrsec.com 官方出品，如需转载或深度讨论，请联系作者。* 更多需求问题、功能特性和定制化开发欢迎联系我们咨询。

## 产品清单

### 企业网络安全运营中心产品

- 资产安全配置管理系统（SCMDB）
- 终端侦测与响应系统（EDR）
- 网络侦测与响应系统（NDR）
- 企业网络资产攻击面管理系统（CAASM）
- 资产暴露面管理系统（AEMS）
- 网络安全蜜罐管理系统（HoneyPot）
- 安全事件收集与告警管理系统（SIEM）
- 扩展侦测与响应系统（XDR）
- 多引擎脆弱性扫描系统（VAS）
- 多源日志审计监测系统（LAS）
- 网络安全威胁情报中心（TIS）
- 网络安全漏洞库管理系统（VDBS）
- 网络安全编排与自动化响应（SOAR）
- 威胁狩猎系统（THS）
- 数据库安全审计系统（DSAS）
- AI智能体安全态势管理系统（AISPM）
- Web防火墙（WAF）
- 网站安全监测平台（WSM）
- 网络安全态势感知平台（SSAP）
- 网络安全自动化应急响应工具系统（NSRT）
- 企业网络安全运维工具系统（SecTools）
- 网络安全自动化等保测评系统（ASES）
- 浏览器安全监测防护系统（BSMPS）
- 网络安全用户实体行为分析系统（UEBA）
- 互联网电信诈骗预警防护系统（TPFWS）
- 云原生安全管理平台（CNAPP）
- 自动化渗透测试系统（PTS）
- 工业企业信息安全监测中心（IoT SOC）
- 企业智能安全运营中心（AISOC）

### 企业自动化运维产品

- 运维智能监控告警管理平台（AIMAMS）
- 企业网络工具系统（NTools）
- 自动化测试系统（AutoTest）
- 自动化运维系统（AutoOps）
- 企业运维工具系统（OpsTools）
- 物联网管理系统（IoTS）
- 软件开发生命周期管理系统（SDLC）
- IT流程管理系统（ITSM）

### 企业数字化运营资源管理系统产品

- 制造执行管理系统（MES）
- 运输管理系统（TMS）
- 跨境电商企业资源管理系统（ERP）
- 企业客户关系管理系统（CRM）
- 跨境电商仓库管理系统（WMS）
- 财务管理系统（FMS）
- 质量管理系统（QMS）
- 精准营销管理系统（PMS）
- 智能生产管理系统（SPMS）
- 电商BI系统（BI）
- 智能互联网分布式爬虫系统（AISpider）

## ABOUT

**【关于我们】**

* [主页：http://116.205.137.183/index_pro.html](http://116.205.137.183/index_pro.html)
* [Articulate v1.0](https://mp.weixin.qq.com/s/0yqGBPbOI6QxHqK17WxU8Q)
* [Articulate v2.0](https://mp.weixin.qq.com/s/V5Axn-ZWi22ubh5Jiocb9g)

[![](https://img.shields.io/badge/GitHub-zrf--rocket-blue?logo=gitpod)](https://github.com/zrf-rocket)
[![](https://img.shields.io/badge/Gitee-SteveRocket-pink)](https://gitee.com/SteveRocket/)
![CTO Plus](https://img.shields.io/badge/微信公众号：CTO%20Plus-8A2BE2) 🥰

<img src="./static/wechat.png" style="width:500px">


**【代码工程系列】**

* [Python和Go的设计模式](https://github.com/zrf-rocket/DesignPattern)
    * GitHub：https://github.com/zrf-rocket/DesignPattern
    * Gitee：https://gitee.com/SteveRocket/design_pattern

* [Python、Go的编码技巧cookbook](https://github.com/zrf-rocket/CookBook)
    * GitHub：https://github.com/zrf-rocket/CookBook
    * Gitee：https://gitee.com/SteveRocket/cook-book

* [Go代码示例](https://github.com/zrf-rocket/PracticeGo)
    * GitHub：https://github.com/zrf-rocket/PracticeGo
    * Gitee：https://gitee.com/SteveRocket/practice_go

* [Python代码示例](https://github.com/zrf-rocket/PracticePython)
    * GitHub：https://github.com/zrf-rocket/PracticePython
    * Gitee：https://gitee.com/SteveRocket/practice_python

* [Python Web框架的示例代码](https://github.com/zrf-rocket/PythonFramework)
    * GitHub：https://github.com/zrf-rocket/PythonFramework
    * Gitee：https://gitee.com/SteveRocket/python_framework

* [Rust代码示例](https://github.com/zrf-rocket/PracticeRust)
    * GitHub：https://github.com/zrf-rocket/PracticeRust
    * Gitee：https://gitee.com/SteveRocket/practice_rust

* [Vue代码示例](https://github.com/zrf-rocket/PracticeVue)
    * GitHub：https://github.com/zrf-rocket/PracticeVue
    * Gitee：https://gitee.com/SteveRocket/practice_vue

* [前端代码示例](https://github.com/zrf-rocket/PracticeFronted)
    * GitHub：https://github.com/zrf-rocket/PracticeFronted
    * Gitee：https://gitee.com/SteveRocket/practice_fronted

* [Python自动化测试框架](https://github.com/zrf-rocket/PythonTestAutomationFramework)
    * GitHub：https://github.com/zrf-rocket/PythonTestAutomationFramework
    * Gitee：https://gitee.com/SteveRocket/python_test_automation_framework

* [Python和Go的算法代码示例](https://github.com/zrf-rocket/Algorithms)
    * GitHub：https://github.com/zrf-rocket/Algorithms
    * Gitee：https://gitee.com/SteveRocket/Algorithms

* [Python和Go的数据结构代码示例](https://github.com/zrf-rocket/DataStructure)
    * GitHub：https://github.com/zrf-rocket/DataStructure
    * Gitee：https://gitee.com/SteveRocket/data_structure

* [编码规范](https://github.com/zrf-rocket/DevGuide)
    * GitHub：https://github.com/zrf-rocket/DevGuide
    * Gitee：https://gitee.com/SteveRocket/develop_guide

* [编码安全规范](https://github.com/zrf-rocket/SecGuide)
    * GitHub：https://github.com/zrf-rocket/SecGuide
    * Gitee：https://gitee.com/SteveRocket/security_guide

**【产品系列】**

* [主机监控系统-日志收集与报警管理系统（SIEM）](https://github.com/zrf-rocket/SIEM)
    * GitHub：https://github.com/zrf-rocket/SIEM
    * Gitee：https://gitee.com/SteveRocket/siem

* [安全运营中心（SOC）-终端侦测与响应系统（EDR）](https://github.com/zrf-rocket/EDR_SOC)
    * GitHub：https://github.com/zrf-rocket/EDR_SOC
    * Gitee：https://gitee.com/SteveRocket/edr_soc

* [DevSecOps-SDLC](https://github.com/zrf-rocket/DevSecOps-SDLC)
    * GitHub：https://github.com/zrf-rocket/DevSecOps-SDLC
    * Gitee：https://gitee.com/SteveRocket/dev-sec-ops-sdlc

* [AI图像识别-智能缺陷检测系统]()
    * [基于AI图像识别的工业缺陷检测应用系统（GPU&FPGA）](https://mp.weixin.qq.com/s/04qefQFg-Pg1Gcqq1vBLQQ)
    * [基于AI图像识别的智能缺陷检测系统，在钢铁行业的应用-技术方案](https://mp.weixin.qq.com/s/dSHbnuOwQZzE4CvPr1JYjg)

# 安全运营中心（SOC）-终端侦测与响应系统（EDR）