![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
恶意软件检测
文章平均质量分 85
YZRuin
这个作者很懒,什么都没留下…
展开
-
STAMINA: Scalable Deep Learning Approach for Malware Classification
STAMINA模型I在测试集上达到了99.07%的准确率,假阳率为2.58%,精确率为99.09%,召回率为99.66%,F1分数为0.9937。在Microsoft数据集上进行分析,共有220万个恶意软件二进制文件的哈希值。原创 2024-07-03 11:51:51 · 249 阅读 · 0 评论 -
EMBER数据集特征
原文:EMBER: An Open Dataset for Training Static PE Malware Machine Learning Models原文地址:https://arxiv.org/pdf/1804.04637特征集描述3.2.1 解析特征一般文件信息。通用文件信息组中的特征集包括从PE头获取的文件大小和基本信息:文件的虚拟大小、导入导出函数的个数、文件是否有调试段、线程本地存储、资源、重定位或签名,以及符号的数量。 头部信息。从 COFF 头中,头中的时间戳、目原创 2024-05-10 16:12:23 · 922 阅读 · 0 评论 -
MalConv2: Classifying Sequences of Extreme Length with Constant Memory Applied to Malware Detection
原文链接:https://arxiv.org/pdf/2012.09390a. 理论背景:b. 技术路线:a. 详细的实验设置:b. 详细的实验结果:原创 2024-05-10 14:38:18 · 890 阅读 · 0 评论 -
Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning
a. 理论背景:b. 技术路线:a. 详细的实验设置:b. 详细的实验结果:原创 2024-06-07 11:29:34 · 853 阅读 · 0 评论 -
STAMINA,微软和英特尔推出的新型恶意软件检测方法
静态恶意软件图像网络分析 (STAMINA) 是微软和英特尔提出的一种新型恶意软件检测方法。该研究基于英特尔研究人员之前通过深度迁移学习进行静态恶意软件分类的研究,其成果随后应用于微软提供的真实数据集,以评估其效率。翻译 2024-06-28 15:50:51 · 47 阅读 · 0 评论 -
Non-Negative Networks Against Adversarial Attacks
本研究针对神经网络的对抗攻击问题,通过引入非负权重约束,展示了在特定场景下改善抵抗能力的方法,并展示了在二元分类问题(如恶意软件或垃圾邮件检测)以及图像分类中的有效防御潜力。原创 2024-07-01 17:33:01 · 325 阅读 · 0 评论