文件名称：Malware-Detection
文件大小：795KB
文件格式：ZIP
更新时间：2024-05-31 23:46:48
Python
恶意软件检测 该项目的主要目标是将良性文件和恶意软件文件的变体分类到各自的家族中。 它由两部分组成，每个部分采用不同的方法来实现此目标：一个使用XGBoost模型，第二个使用深度学习模型。 XGBoost模型：使用xgboost的机器学习模型-梯度提升机器的可扩展且准确的实现。 第二种模型-深度学习：基于卷积网络的分类模型，摘自Edward Raf，Jon Barker，Jared Sylvester，Robert Brandon，Bryan Catanzaro和Charles Nicholas撰写的``通过吃整个EXE进行的恶意软件检测''一文（链接： ）。 结果： XGBoost模型： XGBoost模型用于2015年Kaggle竞赛的一类良性文件和3类恶意软件。每个文件都是Windows8 PE（不含PE标头）。 结果如下： 火车 测试 准确性 99.98 99.62 深
【文件预览】：
Malware-Detection-master
----ml_code()
--------new9962.model(137KB)
--------extract_ngrams.py(2KB)
--------utils.py(2KB)
--------test.output(48KB)
--------f2v.py(5KB)
--------model.py(6KB)
--------run.py(2KB)
--------join_ngrams.py(3KB)
--------__init__.py(0B)
--------eval_model.py(1KB)
--------extract_segments.py(2KB)
--------config_ml.yaml(385B)
--------new.model(137KB)
--------train.output(192KB)
----.idea()
--------vcs.xml(180B)
----README.md(6KB)
----data()
--------test_set.csv(48KB)
--------trainLabels.csv(265KB)
--------train_set.csv(192KB)
--------train_labels_filter.csv(240KB)
----split_data.py(3KB)
----Poster.pdf(369KB)
----deep_code()
--------labels.txt(18B)
--------utils.py(2KB)
--------run.py(9KB)
--------malconv_model.py(1KB)
--------__init__.py(0B)
--------config_train.yaml(183B)
--------exe_dataset.py(2KB)
--------config_test.yaml(138B)
--------config_dev.yaml(159B)