「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

WAF “域”罢不能：创新改变行业 - angular 物联网安全 安全资讯 应用安全 安全培训 数据安全

[数据治理]从补天漏洞挖掘思考企业安全 WEB应用防火墙 web安全 安全知识 信息安全 安全人才

Zero Wine Tryouts 是一款开源恶意软件分析工具。 只需通过网络界面上传您的可疑文件（例如 Windows 可执行文件、PDF 文件）并让其进行分析。 更多信息请访问项目网站：http://zerowine-tryout.sourceforge.net/

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。

色彩错误 恶意软件彩色图像数据集

JSDetox JSDetox 是一种 Javascript 恶意软件分析工具，使用静态分析/反混淆技术和具有 HTML DOM 仿真功能的执行引擎。 请参阅DOC / INSTALL关于如何安装JSDetox或访问信息有关该工具的更多信息。 许可证 JSDetox 是免费软件：您可以根据自由软件基金会发布的 GNU 通用公共许可证第 2 版的条款重新分发和/或修改它。 分发此程序是希望它有用，但不作任何保证； 甚至没有对适销性或针对特定目的的适用性的暗示保证。 有关更多详细信息，请参阅 GNU 通用公共许可证。 您应该已经收到一份 GNU 通用公共许可证以及该程序。 如果没有，请参见

Adblock Plus阻止 YouTube广告弹出窗口并抵御恶意软件插件

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

基于特征融合的恶意软件家族检测方法之软件工程研究.docx