关于python_mmdt:从1到2--实现简单恶意代码分类器(三)

需求场景
设想这么一个需求：有一批文件需要判定是否属于恶意文件，并且需要给出恶意文件所属的家族类型。这个需求该怎么高效处理呢？处理过程又该怎么固化成我们自己的经验呢？当以后面临同样的需求时，能否复用之前的结果呢？

我能想到的做法有以下三种：

做法一：本地下载杀毒软件，使用杀毒软件对这批文件进行扫描，查看检测结果。
做法二：将这些文件上传到诸如Virustotal之类的检测平台，查看检测结果。
做法三：随机抽取样本分析，判定为恶意的，则提取yara规则，利用yara规则对剩余文件进行扫描，未扫出的文件继续人工分析，继续提yara规则，如此反复，直到处理完成。
针对以上三种做法，分别讨论其优点和缺点：

做法一：
优点：处理方式简单快捷，误报率极低，处理效率高
缺点：单一杀软漏报率可能较高；在Linux/MacOS上安装、使用杀软不方便；处理过程很难固化为经验；有可能导致文件泄漏（联网使用杀软云查可能导致文件被厂商收集）
做法二：
优点：适用Windows/Linux/MacOS平台；检测误报率、漏报率都极低，结果丰富；处理效率高
缺点：有联网要求；有一定的代码开发工作；文件百分百泄漏
做法三：
优点：处理过程天然可固化为经验；适用任意平台；适用隔离网络；经验可积累，可复用；保证文件安全性
缺点：工作量极大，处理效率极低；
这里的需求场景也许太过定制化，但还是有一定的代表性的。针对以上的需求场景，python_mmdt工具的分类算法，可以很好的覆盖上述场景。

使用python_mmdt的做法，具有以下优点

处理方式简单、快捷、处理效率高
可打包为可执行文件，附带特征向量，跨平台适用Windows/Linux/MacOS
无联网要求，文件保密性高
处理过程可固化为经验，经验固化方式简单，处理结果复用方便
mmdt_hash大小固定，存储占用空间小
当然，有三个缺点不能不提：

准确率可能较低（依赖于判定分值的设定）
漏报率可能较高（依赖于判定分值的设定）
部分文件的mmdt_hash值没有意义，不能用作分类规则。
因此，可以在不同的场景使用不同的判定分值，判定分值越高，准确率越高；判定分值越低，漏报率越低。

代码项目地址
python_mmdt
版本：0.1.3
特性：实现简单分类器，项目附带基础敏感哈希特征库，可实现恶意样本匹配
基本介绍
使用pip安装python_mmdt之后，会向系统中添加如下命令：

mmdt-hash：计算指定文件的mmdt_hash值
mmdt-std：计算mmd