- 博客(28)
- 资源 (5)
- 收藏
- 关注
原创 豆瓣网TOP200电影数据的采集
采集参数:TOP200热门电影名称、导演、演员、评分、评论数、评论文本、电影类型、制片国家/地区、上映日期、时长的结构化数据采集任务。
2024-06-11 10:30:50
326
原创 携程网站_广州动物园景点评论采集和处理
数据包括:用户名、评论文本内容、发布时间</n> 结果分别保存在userNames,commentDetails commentTimes列表中。
2024-05-14 12:01:57
342
原创 win10安装mysql8.0+汉化
1. 在mysql官网进行下载页面2. 下滑页面,选择3.下载windows版本4.选择第二个download5.不用登陆,no thanks,just start my download.6.下载。
2024-05-14 10:12:42
658
原创 【垃圾分类3】垃圾分类项目常见错误和解决方法
解决方法:base_path路径要修改,要把dataset-resized数据集放到D\jupyterFile下。错误10:'jupyter'不是内部或外部命令,也不是可运行的程序。解决方法:在D盘新建文档 D/jupyterFile。在D盘新建文档 D/jupyterFile。错误8:jupyterFile路径修改不生效。,将 D/jupyterFile 添加到。,将 D/jupyterFile 添加到。:目录没有在D/jupyterFile下。错误1:没有D/jupyterFile。
2024-05-07 11:15:10
342
原创 【垃圾分类2】模型训练
'jupyter' 不是内部或外部命令,也不是可运行的程序或批处理文件。的虚拟环境,python版本为。3.打开jupyter lab。2. 切换到CNN虚拟环境。CNN(卷积神经网络)
2024-04-23 14:26:38
469
原创 【垃圾分类1】数据集介绍
垃圾分类是指按一定规定或标准将垃圾分类储存、分类投放和分类搬运,从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值,力争物尽其用。TrashNet是一个专门针对家庭垃圾识别的图像分类数据集。该数据集的主要目标是帮助模型学习和识别不同种类的垃圾,以实现更高效的垃圾分类。数据集包含了2527张图片,每张图片的尺寸统一为531×384。每张图片中仅包含一个类别的垃圾,按照材质将垃圾分为6个类别,即玻璃、纸、纸板、塑料、金属和其他废物(trash)。
2024-04-23 09:42:35
968
原创 ubuntu16.04安装anconda环境
清华源:Anaconda3-2019.07-Linux-x86_64.shhttps://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2019.07-Linux-x86_64.sh一直回车等待安装成功重新打开一个终端。查看是否anaconda 安装成功问题1:安装好anaconda3,但是conda:未找到命令。配置anconda3的路径到因为环境变量没有设置正确。Anaconda的bin目录被添加到了PATH环境变量中。bas
2024-04-16 10:58:51
440
原创 目录与路径学习笔记
4. 切换到tmp目录,并且在tmp目录下创建一个dir1目录。5.从主目录localhost切换到 tmp目录下的di1目录。当前账户下localhost下面的文件夹有哪些?是否创建成功,创建成功的话,主目录localhost(到 tmp 目录下。用户登录时的工作目录。
2024-03-12 11:02:40
223
1
原创 第三章:利用恶意软件网络识别攻击活动
文章目录前言1.与从恶意软件里提取威胁情报相关的网络分析理论2.使用可视化来识别恶意软件样本之间关系的方法3.使用Python和各种开源工具包从恶意软件中创建、可视化和提取情报来进行数据分析和可视化前言 恶意软件网络分析可以将恶意软件数据集转化为有价值的威胁情报,揭示对抗性攻击活动、常见的恶意软件手段和恶意软件样本来源。包括分析恶意软件样本组通过共同属性相互关联的方式,无论这些共享属性是内嵌的IP地址、主机名、可打印字符串、图形或类似的信息。可以使用这些连接来帮助区分哪些是对你的组织发起的协同攻击
2021-06-02 11:15:06
411
原创 第二章:恶意软件动态分析基础
文章目录前言动态分析的局限前言 静态分析侧重的是恶意软件在文件形式中的表现,动态分析则在一个安全、受控的环境中运行恶意软件以查看其行为方式。通过动态分析,我们可以绕过常见的静态分析障碍,例如加壳、混淆,以更直观地了解给定恶意软件样本的目的。由于动态分析揭示了恶意软件样本的作用,因此我们可以根据它的动作与其他恶意软件样本进行比较。这些线索有助于我们根据共同的特征对恶意软件样本进行分类,甚至可以帮助我们识别由相同组织制作或者属于相同攻击活动的恶意软件样本。 最重要的是,动态分析对于构建基于机器学习
2021-05-14 15:47:28
1113
原创 第一章:恶意软件静态分析基础
文章目录前言一、数据集二、使用步骤1.引入库2.读入数据总结前言 静态分析可以帮助我们更好地理解恶意软件二进制文件在攻击目标后为攻击者提供的好处,以及攻击者可以隐藏并继续攻击受感染计算机的方式。一、数据集示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下(示例):import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport s
2021-05-13 11:26:25
1112
原创 恶意软件分析在线沙箱链接(国内)
1.微步云沙箱 : https://www.threatbook.cn/product/sandbox微步云沙箱是一个非常全面的云沙箱,目前体验最佳,UI现代化,有多引擎检测、行为签名、执行流程、进程详情、威胁情报IOC等功能。2.瑞星智能沙箱分析系统:http://ep.rising.com.cn/wangguan/19584.html?renqun_youhua=1631363. 哈勃沙箱:https://s.tencent.com/files/habo-white-paper.pdf,htt
2021-04-11 18:08:11
4375
1
转载 DNS 隧道通信特征与检测
一、DNS 隧道技术解析1.1 DNS协议解析过程DNS协议解析过程分为两种,迭代查询和递归查询。 1.1.1 迭代查询本地域名服务器向根域名服务器发送请求报文,根域名服务器要么给出ip地址要么告诉本地域名服务器下一步应该去查询另一个域名服务器(假设这个域名服务器为A)。本地域名服务器会向A域名服务器发送...
2021-03-30 13:05:50
1287
转载 DNS域名解析响应数据包中解析记录的作用
DNS服务器会把域名解析到一个IP地址,然后在此IP地址的主机上将一个子目录与域名绑定。域名解析时会添加解析记录,解析记录有以下8种。DNS数据包: A记录:将域名指向一个IP地址,需要增加A记录。 2. CNAME记录:将域名A指向域名B,实现域名A具有域名B相同的访问效果,需要增加CNAME记录。域名A一般是主机服务商提供的一个域名。 3. MX记录 : 建立电子邮箱服务,将指向邮箱服务器...
2021-03-30 10:37:39
587
原创 ADASYN : 针对不平衡学习的自适应合成抽样方法
[1] He H , Yang B , Garcia E A , et al. ADASYN: Adaptive synthetic sampling approach for imbalanced learning[C]// Neural Networks, 2008. IJCNN 2008. (IEEE World Congress on Computational Intelligence). IEEE International Joint Conference on. IEEE, 2008...
2021-03-24 16:13:40
8099
原创 集成学习-预备知识
预备知识概念、定义问题1:集成学习把多个学习器集合起来,如何能获得比最好的单一学习器更好性能?问题2:现实合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入概念、定义集成学习 : 通过构建并结合多个学习器来完成学习任务。分为同质集成和异质集
2020-12-13 16:45:23
329
原创 基于N-gram的文本分类
文章目录一、简介二、N-grams和基于N-grams的相似性度量三、使用N-gram频次统计的文本分类一、简介文本分类要能兼容语法,拼写,OCR输入字符错误的问题。而基于N-gram的文本分类系统能很好的处理各种各样的问题。该系统需要计算和对比N-gram频次分布文件。首先从各种类别的训练集中得到每个类别的N-gram频次分布文件c1,c2,c3,cn;其次,计算给定文本的N-grams频次分布文件t;最后,计算t到c1,c2,c3,cn的距离,取最短距离的ci类别为t的类别。文本分类系统需要满足如
2020-08-30 19:57:51
1629
原创 基于N-gram的恶意代码检测 (监督式)
看的论文:Abou-Assaleh T , Cercone N , Keselj V , et al. N-gram-based detection of new malicious code[C].Proceedings of the 28th Annual International Computer Software and Applications Conference, 2004. COMPSAC 2004. IEEE, 2004.目录摘要介绍检测恶意代码的CNG 分类方法摘要先前的恶意检测
2020-08-22 18:29:07
1299
原创 基于Windows API序列和机器学习的恶意软件检测方法(监督式)
@TOC基础恶意软件:未经用户许可进入系统的软件。恶意程序的机器代码模式称为签名。恶意软件检测:通过监控主机中正在运行进程的行为来区分是否为恶意软件。传统恶意软件检测方法:使用从windows API调用中提供的信息。数据挖掘,分类模型:Naive Bayes, SVM, Decision Tree 。相关研究方法1.Faraz Ahmed, Haider Hameed, Zubair Shafiq, Muddassar Farooq方法:将windows API调用序列作为标准机器学习方法
2020-08-11 00:50:13
1433
ADASYN Adaptive Synthetic Sampling Approach for Imbalanced(2008).pdf
2021-03-24
N-Gram-Based Text Categorization.pdf
2020-08-30
Malware Detection using Windows Api Sequence and Machine Learning 2
2020-08-11
Malware Detection using Windows Api Sequence and Machine Learning
2020-08-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人