该工具已在我们的BlackHat Asia演讲中（2019年3月28日）发布。 有关此演讲的视频记录，请访问 。 邪恶的短片 用于创建恶意MS Office文档的跨平台助手。 可以隐藏VBA宏，踩VBA代码（通过P代码）并混淆宏分析工具。 在Linux，OSX和Windows上运行。 如果您不熟悉此工具，则可能需要阅读我们关于Evil Clippy的博客文章开始： : 该项目应仅用于授权测试或教育目的。 当前功能 从GUI编辑器隐藏VBA宏 VBA重踩（滥用P代码） 傻瓜分析师工具 通过HTTP服务VBA重载的模板 设置/删除VBA项目锁定/不可见的保护 如果您不知道所有这些是什么，请首先查看以下资源： 这有多有效？ 在撰写本文时，此工具能够获取默认的Cobalt Strike宏，以绕过大多数主要的防病毒产品和各种maldoc分析工具（通过结合使用VBA重踏和随机模块名称）。

MalwareAnalystsCookbook全书加光盘 的种子，本人白天供种，请不要急，速度有点慢

Cuckoo Malware Analysis 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

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

雷米·艾伦 皮质奔跑者 TheHive的Cortex作业自动化 要求 蜂巢 要求 安装 git clone ' https://github.com/Cyberprotect/Cortex-Runner.git ' cd CortexRunner-master python setup.py install 或者 pip install Cortex-Runner 用法 from cortexrunner . api import CortexRunner observable = '1234abcd1234abcd1234abcd1234abcd' config = { 'thehive' : { 'url' : 'http://127.0.0.1:8080' , 'proxies' : None , 'cert' : True

本文讨论了使用机器学习进行恶意软件分类的方法，问题和解决方案。 可以相信，被释放的恶意软件的数量可能会超过权威软件的释放。 由于恶意软件每年都会变得越来越复杂，因此需要从传统方法转变为使系统自动学习。 这里的主要重点是研究机器学习方法以及它们的检测和分类问题。 说明了特征选择和高假阳性问题，并提出了解决方案。 然后将操作码，n-gram操作码，基于图像的分类技术进行比较。 这些方法将有助于清除恶意软件并将其分类到其家族中。 与常规操作码和基于图像的分类器相比，使用n-gram操作码分类时基于准确性的结果更好，但是使用集成方法结合了这两种方法的优点，例如，过拟合和FPR较低，最终结果显示出分类精度更高和提供总体上更好的恶意软件分类。

恶意软件分类器 这是恶意软件分类研究的代码库。 所有深度学习模型都是使用Python 3.6+和PyTorch 1.9实现的。 点击查看研究详情 数据 源数据是由恶意软件动态分析系统生成的json报告。 对数据进行了分析，以提取有关恶意样本的最有用信息。 分析的结果是，选择了3698个特征，并将在此基础上进行进一步的分类。 因此，为恶意软件的每个实例分配了一个尺寸为3698的二进制特征向量，该特征向量的标签是卡巴斯基反病毒软件进行分类的结果。 该数据库包含来自8种不同类型的恶意软件的大约10,000个带标签的样本和大约14,000个未带标签的样本。 数据可视化 尺寸为3698的规格化矢量表示为大小为61×61（61≈√3698）的RGB图像，其中，每个像素的颜色由相应特征的值设置。 自动编码器 在未标记的数据上训练了一个潜在空间尺寸为200的自动编码器模型，以便使用预训练的编码器对恶意软