Upload app.py

app.py

@@ -0,0 +1,97 @@
+
+import os
+import joblib
+import pefile
+import numpy as np
+import pandas as pd
+import gradio as gr
+import hashlib
+
+
+# Charger le modèle pré-entraîné
+try:
+    model = joblib.load('random_forest_model.pkl')
+except Exception as e:
+    print(f"Erreur de chargement du modèle : {e}")
+    model = None
+
+def calculate_file_hash(file_path):
+    """Calculer le hash SHA-256 du fichier."""
+    sha256_hash = hashlib.sha256()
+    with open(file_path, "rb") as f:
+        for byte_block in iter(lambda: f.read(4096), b""):
+            sha256_hash.update(byte_block)
+    return sha256_hash.hexdigest()
+
+def extract_pe_attributes(file_path):
+    """Extraction avancée des attributs du fichier PE."""
+    try:
+        pe = pefile.PE(file_path)
+
+        attributes = {
+            # Attributs PE standard
+            'AddressOfEntryPoint': pe.OPTIONAL_HEADER.AddressOfEntryPoint,
+            'MajorLinkerVersion': pe.OPTIONAL_HEADER.MajorLinkerVersion,
+            'MajorImageVersion': pe.OPTIONAL_HEADER.MajorImageVersion,
+            'MajorOperatingSystemVersion': pe.OPTIONAL_HEADER.MajorOperatingSystemVersion,
+            'DllCharacteristics': pe.OPTIONAL_HEADER.DllCharacteristics,
+            'SizeOfStackReserve': pe.OPTIONAL_HEADER.SizeOfStackReserve,
+            'NumberOfSections': pe.FILE_HEADER.NumberOfSections,
+             'ResourceSize':pe.OPTIONAL_HEADER.DATA_DIRECTORY[2].Size
+        }
+        
+        """## Ressources
+        data_directory_entries = pe.OPTIONAL_HEADER.DATA_DIRECTORY
+        # Parcourir la liste pour trouver l'entrée du répertoire des ressources
+        for entry in data_directory_entries:
+            if entry.name == "IMAGE_DIRECTORY_ENTRY_RESOURCE":
+                resource_size = entry.Size
+                attributes['ResourceSize'] = resource_size
+                break
+        else:
+            attributes['ResourceSize'] = 0"""
+            
+
+
+        return attributes
+    except Exception as e:
+        print(f"Erreur de traitement du fichier {file_path}: {str(e)}")
+        return f"Erreur de traitement du fichier {file_path}: {str(e)}"
+
+def predict_malware(file):
+    """Prédiction de malware avec gestion d'erreurs."""
+    if model is None:
+        return "Erreur : Modèle non chargé"
+
+    try:
+        # Extraire les attributs du fichier
+        attributes = extract_pe_attributes(file.name)
+        if "Erreur" in attributes:
+            return attributes
+
+        # Convertir en DataFrame
+        df = pd.DataFrame([attributes])
+
+        # Prédiction
+        prediction = model.predict(df)
+        proba = model.predict_proba(df)[0]
+
+        # Résultat avec probabilité
+        if prediction[0] == 1:
+            return f"🚨 MALWARE (Probabilité: {proba[1] * 100:.2f}%)"
+        else:
+            return f"✅ Fichier Légitime (Probabilité: {proba[0] * 100:.2f}%)"
+    except Exception as e:
+        return f"Erreur d'analyse : {str(e)}"
+
+# Interface Gradio
+demo = gr.Interface(
+    fn=predict_malware,
+    inputs=gr.File(file_types=['.exe', '.dll', '.sys'], label="Télécharger un fichier exécutable"),
+    outputs="text",
+    title="🛡️ Détecteur de Malwares",
+    theme='huggingface'  # Thème moderne
+)
+
+if __name__ == "__main__":
+    demo.launch(share=True)  # Rend l'interface accessible publiquement