现有基于卷积神经网络（CNN）的恶意代码分类方法存在计算资源消耗较大的问题。为降低分类过程中的计算量和参数量，构建基于恶意代码可视化和轻量级CNN模型的恶意软件家族分类模型。将恶意软件可视化为灰度图，以灰度图的相似度表示同一家族的恶意软件在代码结构上的相似性，利用灰度图训练带有深度可分离卷积的神经网络模型 Mobilenet v2，自动提取纹理特征，并采用 Softmax分类器对恶意代码进行家族分类。实验结果表明，该模型对恶意代码分类的平均准确率为99.32%，较经典的恶意代码可视化模型高出2.14个百分点。

Kaggle 第三名解决方案 米哈伊尔·特罗菲莫夫、德米特里·乌里扬诺夫、斯坦尼斯拉夫·谢苗诺夫。 在私人排行榜上获得 0.0040 分 如何重现提交 不要忘记检查 ./src/set_up.py 中的路径！ ./create_dirs.sh cd ./src ./main.sh cd ../ 并运行learning-main-model.ipynb 、 learning-4gr-only.ipynb 、 semi-supervised-trick.ipynb和final-submission-builder.ipynb 。 依赖关系 Python 2.7.9 Python 3.1.0 sklearn 0.16.1 麻木 1.9.2 熊猫 0.16.0 希克 1.1.1 pypy 2.5.1（安装了 joblib 0.8.4） scipy 0.15.1 xgboost

<>随书光盘下载索引贴： http://blog.csdn.net/LostSpeed/article/details/72857938 <> 共4个分卷

<>随书光盘下载索引贴： http://blog.csdn.net/LostSpeed/article/details/72857938 <> 共4个分卷

<>随书光盘下载索引贴： http://blog.csdn.net/LostSpeed/article/details/72857938 <> 共4个分卷

蜜罐 为 HACS102 构建的蜜罐。 收集恶意软件数据和数据包数据。

论文 有关用机器学习算法进行恶意代码检测。分别针对静态、动态这 2 种分析 模式下的检测方案进行了讨论，涵盖了恶意代码样本采集、特征提取与选择、机器学习算法分类模型的建立等要点。对机器学习算法下恶意代码检测的未来工作与挑战进行了梳理。为下一代恶意代码检测技术的设计 和优化提供了重要的参考

。。恶意代码分析技术ppt

「恶意软件」构建企业信息安全指数 - 安全活动 日志审计 安全运维 大数据 系统安全 日志审计

「恶意软件」虹膜识别技术进展与趋势 - Web安全 安全研究 安全体系 漏洞分析 云安全 信息安全