Advertisement

微软发布的大型恶意软件数据集

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
微软最新发布了庞大的恶意软件数据集，旨在为安全研究人员提供丰富的资源以改进检测算法和防护策略。 在微软的大型恶意软件数据集中，原始数据包含二进制文件和asm文件。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 微软发布的大型恶意软件数据集
    优质
    微软最新发布了庞大的恶意软件数据集，旨在为安全研究人员提供丰富的资源以改进检测算法和防护策略。 在微软的大型恶意软件数据集中，原始数据包含二进制文件和asm文件。
     
  • 微软恶意软件数据集.zip
    优质
    微软恶意软件数据集包含由微软安全响应中心收集的各类恶意软件样本及其元数据。此资源对于研究和开发反病毒技术至关重要。 自然语言处理数据集包含了大量用于训练和测试自然语言处理模型的文本数据。这些数据集通常包含各种类型的语料库，如对话、新闻文章、社交媒体帖子以及问答对等，以帮助机器学习算法更好地理解和生成人类语言。准备高质量的数据集是开发高效能自然语言处理系统的关键步骤之一。
     
  • 恶意软件分类数据集
    优质
    本数据集包含各类恶意软件样本及其特征信息，旨在为研究人员提供一个全面分析与研究恶意软件的基础平台。 为了有效地分析和分类大量的文件数据，并利用已知的恶意软件样本进行训练，参赛者需要预测每个新的恶意软件样本属于哪一类（家族）。这是一个多分类问题，包含9个类别，用数字0到8来标识。 近年来，恶意软件行业已经成为一个涉及大量资金并且高度组织化的领域。许多大型企业集团投入巨资开发反恶意软件机制以查找和阻止肆意妄为的恶意软件开发者。与此同时，这些恶意软件给使用计算机系统的用户带来了诸多不必要的烦恼以及经济损失。 数据集由训练部分和测试部分组成，总共有超过10万个样本，并包含70个字段信息。其中，“id”字段是每个样本唯一的标识符，“label”表示该样本所属的恶意软件类别。从整个数据集中抽取5万条作为训练集，8千条作为测试集，并对某些敏感的信息进行脱敏处理。 特别需要注意的是，特征主要来源于asm文件信息，例如“linecount_asm”代表asm文件中的行数，“size_asm”则表示asm文件大小。其他与asm相关的特征字段都以“asm_commands”为前缀，这些可以理解为在asm中使用的特定命令。
     
  • 阿里云安全恶意软件检测数据集
    优质
    阿里云安全恶意软件检测数据集是一套全面涵盖各类恶意软件样本的数据集合，旨在为开发者和研究人员提供一个评估与改进恶意软件检测技术的平台。 security_submit.csv security_train.zip security_test.zip
     
  • Android恶意软件_2020：2020年流行的Android恶意软件
    优质
    本报告深入分析了2020年度在Android平台广泛传播的各类恶意软件的特点与趋势，旨在帮助用户识别并防范潜在威胁。 2020年流行的Android威胁包括一月的静音广告软件（样本哈希值为75fd1658cd6cb56f9194dbb1aabadd64、80abde70e5f4d4dc7ace31586097e026和1250f1296c0e92112d554960d4f99710），以及新的Anubis样本（哈希值为d4be1208d35bc8badb0fa97a36a28c8c和d936dad9349ebe2daf8f69427f414fdc）。此外，还有Coybot巴西银行木马（样本哈希值为058de750a4a2402104e4bd22179f843和bf20ad4fcc9fb6910e481a199bb7da6），以及面包木马（样本哈希值为2273af79cae07c3d0d07eb4d3f30d6和bcdd9bcd29dd918466）。
     
  • 恶意软件取证
    优质
    《恶意软件取证》一书专注于揭示如何通过技术手段追踪和分析恶意软件，为网络安全专家提供全面的方法论及实践技巧。 恶意代码取证包括内存取证和硬盘取证。此外，还可以通过静态分析和动态分析来研究恶意软件。
     
  • 十大恶意软件(精选版).pdf
    优质
    这份PDF文档列出了十种最具危害性的恶意软件，分析它们的工作原理、传播方式和可能造成的损害，帮助读者提高网络安全意识。 十大流氓软件（精）.pdf 这本书列举了十款常见的具有恶意行为的软件，并对其进行了详细的分析。这些软件通常会侵犯用户的隐私权、强制安装或难以卸载，对计算机系统的正常运行造成干扰。这本书旨在帮助用户识别和避免使用这类有害程序，保护个人电脑的安全与健康。
     
  • 基于机器学习的安卓恶意软件检测数据集
    优质
    本研究构建了一个用于识别安卓平台上的恶意软件的数据集，并运用了机器学习技术进行高效准确的检测与分析。 基于机器学习的Android恶意软件检测是一种利用人工智能技术来识别和分类Android设备上潜在有害应用程序的方法。通过监控与安卓设备相连的网络活动，可以有效发现可疑的应用程序。机器学习专注于开发能够从数据中自主学习并进行预测分析的计算机程序。这种方法可用于构建模型以评估传入的数据，并用于异常检测。 该方法所使用的数据集包含四个标签：Android_Adware、Android_Scareware、Android_SMS_Malware和Benign，共有355630个条目或实例（行），以及85列特征信息。这些数据已经从CIC存储库中移除并进行了相应的处理。 重写后的主要内容保持不变，只删除了与原文无关的信息如链接、联系方式等，并对部分内容稍作调整以提高流畅性。
     
  • 恶意软件分类：构建智能反恶意软件系统-源码
    优质
    本项目旨在开发一种先进的智能反恶意软件系统，通过机器学习技术对恶意软件进行高效准确的分类。提供源代码以供研究和改进。 构建智能反恶意软件系统：采用支持向量机进行深度学习的恶意软件分类方法 有效且高效地缓解恶意软件一直是信息安全领域的重要目标。开发能够抵御新型未知威胁的反恶意软件系统，可以为多个行业带来显著益处。 我们设想了一种利用深度学习（DL）模型的强大功能来构建智能反恶意软件系统的方案。通过数学概括的方法，该系统能检测新发布的恶意软件，并识别其所属家族类型。换句话说，我们的目标是找到一个映射关系f：x→y，其中x代表给定的恶意软件样本，而y为其对应的恶意软件类别。 为此我们使用了Malimg数据集进行研究和实验。此数据集中包含了从各种二进制文件中提取并处理成图像形式的大量恶意软件实例。基于该数据集，我们训练了几种深度学习模型以对不同家族的恶意软件进行分类：CNN-SVM、GRU-SVM 和 MLP-SVM。 实验证据表明，在这几种模型当中，GRU-SVM表现最为突出，其预测准确率达到了约84.92%。这一结果合乎情理地反映了循环神经网络（RNN）在处理序列数据上的优势，特别是在应对复杂且变化多端的恶意软件特征时尤为有效。