- 博客(18)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 selenium报错：WebDriver object has no attribute ‘find_element_by_id‘等问题
由于selenium升级导致的，记得导入By类包，否则会报错。
2023-06-25 14:28:16
377
原创 selenium报错：python urllib3 v2.0 only supports OpenSSL 1.1.1+, currently
版本号不匹配，降低urllib3版本，或者升级OpenSSL。降低urllib3版本。
2023-06-25 14:26:14
416
原创 Malware Classification Based on GraphNeural Network Using Control Flow Graph
恶意软件家族的分类是基于恶意软件家族内部的相似性，包括程序结构和内容的相似性。由于控制流图属于非欧几里得结构化数据，之前很难直接利用从其数据和结构中提取的特征进行分类。然而，随着图神经网络的提出，非欧几里得图的分类成为可能。提出了一种基于控制流图和词频-逆文档频率的恶意软件族分类系统。该系统将控制流图分支结构和基本块中的指令序列均作为输入，通过图神经网络生成恶意软件族的图特征表示。在BIG2015数据集上的实验结果表明，保留图结构的特征数据可以有效提高族分类的效果。
2022-12-09 12:38:32
354
原创 pytorch离线安装，torch-geometric离线安装
torch 1.12.0 python3.8 离线安装 torch-geometric
2022-11-11 19:31:52
2880
2
原创 paper—A Hierarchical Graph-Based Neural Network for Malware Classification
基于层次图的神经网络恶意软件分类目录摘要一、引言二、相关工作三、模型架构3.1 概述3.2 Inst2Vec3.3 函数矢量化3.4 程序矢量化和分类 四、实验4.1数据集4.2 用于比较的模型4.3 结果和分析五、结论近年来，基于机器学习和深度学习的恶意软件分类模型发展迅速。虽然这些模型取得了很好的效果，但由于缺乏良好的语义信息，其中许多模型的泛化能力有限。为了解决这个问题，我们首先找到程序的适当表示，并将程序转换为由一个函数调用图和多个控制流图组成的层次图结构。在图结构的基础上，利用BERT和图注意网络
2022-06-14 17:32:45
465
原创 paper—HAWK: Rapid Android Malware Detection Through Heterogeneous Graph Attention Networks
通过异构图形注意网络快速检测Android恶意软件摘要Android每天都在遭受前所未有的恶意威胁，但现有的恶意软件检测方法往往无法应对恶意软件中不断演变的伪装。为了解决这个问题，我们提出了HAWK，这是一个用于进化Android应用程序的新恶意软件检测框架。我们将Android实体和行为关系建模为异构信息网络（HIN），利用其丰富的语义元结构来指定隐含的高阶关系。创建一个增量学习模型来处理动态显示的应用程序，无需重建整个HIN和后续嵌入模型。该模型可以快速确定新应用程序与样本应用程序之间的接近程度
2022-05-31 18:18:00
1140
1
原创 paper—基于 GCN 的安卓恶意软件检测模型
目录摘要一、引言二、基础概念与相关工作2.1 静态检测2.2 动态检测2.3 图卷积神经网络及函数调用图2.3.1 函数调用图2.3.2 图卷积神经网络及图嵌入三、基于敏感API调用模式的检测模型四、实验测试与结果分析4.1 评价标准4.2 数据集及相关环境4.3 测试方法4.4 API调用模式特征有效性分析4.4.1 敏感API调用模式特征可视化分析4.4.2 基于敏感API调用模式特征的恶意软件检测4.5 综合辅助特征的检测测试五.
2022-05-29 19:25:56
2475
原创 paper—Image-based malware classification hybrid framework based on space-filling curves
基于空间填充曲线的图像恶意软件分类混合框架目录摘要一、引言二、相关工作2.1 二进制文件可视化2.2 byteplot恶意软件可视化2.3空间填充曲线恶意软件可视化2.4 总结三、空间填充曲线3.1二进制数据表示中空间填充曲线的适用性3.2 使用空间填充曲线映射二进制文件四、混合框架4.1 数据采集和预处理4.2虚拟机自检Virtual MachineIntrospection4.2.1进程转储文件分析4.3恶意软件转换4....
2022-05-21 23:59:32
599
1
原创 paper—Effectiveness of Adversarial Examples and Defenses for Malware Classification
恶意软件分类中对抗性示例和防御的有效性摘要人工神经网络已经成功地用于许多不同的分类任务，包括恶意软件检测和区分恶意和非恶意程序。虽然人工神经网络在这些任务上表现得很好，但它们也容易受到敌对例子的攻击。一个对抗性示例是，对样本进行了微小修改，使神经网络对其进行错误分类。人们提出了许多技术，既可以用来制作对抗性示例，也可以用来强化针对它们的神经网络。以前的大多数工作都是在图像领域完成的。其中一些攻击已被用于恶意软件领域，该领域通常处理二进制特征向量。为了更好地理解恶意软件分类中对抗性示例的空间，我们研究
2022-05-10 21:15:27
1589
原创 paper—Generic Black-Box End-to-End Attack Against State of the Art API Call Based Malware Classifier
摘要在本文中，我们提出了一种针对基于API调用的机器学习恶意软件分类器的黑盒攻击，重点是生成结合API调用和静态特征（例如可打印字符串）的对抗序列，这些特征将被分类器错误分类，而不会影响恶意软件的功能。我们证明，由于RNN变量、前馈DNN和传统机器学习分类器（如SVM）之间的可转移性原理，这种攻击对许多分类器都是有效的。我们还实现了GADGET，这是一个软件框架，可以在不访问恶意软件源代码的情况下，使用提议的攻击将任何恶意软件二进制文件转换为恶意软件分类器未检测到的二进制文件。一、引言在本文中，
2022-04-30 20:38:36
1254
转载 对抗攻击vs对抗样本（adversarial samples）
什么是对抗攻击？由于机器学习算法的输入形式是一种数值型向量（numeric vectors），所以攻击者就会通过设计一种有针对性的数值型向量从而让机器学习模型做出误判，这便被称为对抗性攻击。在计算机视觉领域，对抗攻击（adversarial attack）旨在通过向图片中添加人眼无法感知的噪音以欺骗 图像分类、目标识别等机器学习模型。如下图所示，输入原图像，图像分类器给出的结果为“是熊猫的概率为57.7%”，而在给原图像加上一段噪音后，结果变成了“是长臂猿的概率为99...
2022-04-29 22:27:14
1901
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人