MDML

Malware -Erkennung mit maschinellem Lernen (MDML)

Leiten Sie es lokal

streamlit run app.py

Autor

Mohamed Benchikh

Analysemodule:

• Statisch : Merkmale werden aus PE -Dateiheadern (hauptsächlich optionaler Header), YARA -Regeln und digitaler Signatur extrahiert.

• Dynamik : Merkmale sind die API -Aufrufe, die mit Cuckoo Sandbox verfolgt wurden

Datensätze Konstruktion

• Statisch

Malware -Muster wurden von MalwareBazaar erfasst, während gutartige Proben von mehreren Online -Hosting -Websites (dh CNET) erfasst wurden. Wir verwendeten dann das PEFILE -Modul in Python, um PE -Header zu analysieren und relevante Funktionen (mit Benchmarks ausgewählt) zu extrahieren.

• Dynamisch

Wir haben den APIMDS -Datensatz von HKecurity gepoppt und ihn aus einem Datensatz von API -Aufrufen Sequenzen in einen Datensatz von Binärwerten mit vorgegebenen Funktionen geändert

Algorithmus verwendet

Wir haben mehrere Algorithmen mit einem 10-fach geschichteten Cross-Validierungsprozessalgorithmus verglichen.

Projektschnittstellen

Statisch

Dynamisch