机器学习&恶意代码检测简介
Malware detection 目录 可执行文件简介 检测方法概述 资源及参考文献 可执行文件简介 ELF（Executable Linkable Format） linux下的可执行文件格式，按照ELF格式编写的文件包括：.so ...
原文：利用机器学习检测HTTP恶意外连流量
本文通过使用机器学习算法来检测HTTP的恶意外连流量，算法通过学习恶意样本间的相似性将各个恶意家族的恶意流量聚类为不同的模板。并可以通过模板发现未知的恶意流量。实验显示算法有较好的检测率和泛化能力。 背景 攻击者为控制远程的受害主机，必定有一个和被控主机的连接过程，一般是通过在被控主机中植入后门等手段，由受控主机主动发出连接请求。该连接产生的流量就是恶意外连流量，如图 . 所示。目前检测恶意外连流 ...
2019-11-17 12:26 0 298 推荐指数：
相关推荐
详解基于机器学习的恶意代码检测技术
摘要：由于机器学习算法可以挖掘输入特征之间更深层次的联系，更加充分地利用恶意代码的信息，因此基于机器学习的恶意代码检测往往表现出较高的准确率，并且一定程度上可以对未知的恶意代码实现自动化的分析。 本文分享自华为云社区《[当人工智能遇上安全] 4.基于机器学习的恶意代码检测技术详解》，作者 ...
使用机器学习检测TLS 恶意加密流——业界调研***有开源的数据集，包括恶意证书的，以及恶意tls pcap报文***
/2018-10-deep-neural-networks-malicious-tls.html 使用LSTM对恶意证书进行分类，准确率94% 下面是介绍。 Moreover, encry ...
机器学习之异常检测
前言 以下内容是个人学习之后的感悟，转载请注明出处~ 简介 在生活中，经常会遇到这样一个对象集，有个别的对象是与大部分对象不一样的，且前者是比较罕见的。我们通常 需要去发现它，这就用到了非监督学习的异常检测算法，下面来举一些异常检测的应用 ...
加密恶意流量分析-Maltrail恶意流量检测系统
项目介绍 maltrail是一款轻量级的恶意流量检测系统，其工作原理是通过采集网络中各个开源黑样本（包括IP、域名、URL），在待检测目标机器上捕获流量并进行恶意流量匹配，匹配成功则在其web页面上展示命中的恶意流量。 项目GitHub地址 ...
Python 3 利用 Dlib 和 sklearn 人脸笑脸检测机器学习建模
0. 引言 利用机器学习的方法训练微笑检测模型，输入一张人脸照片，判断是否微笑； 精度在 95% 左右（ 使用的数据集中 69 张没笑脸，65 张有笑脸 ）； 图1 测试图像与检测结果 项目实现的笑脸识别，并不是通过 计算嘴唇角度，满足一定弧度认定 ...
Python 3 利用机器学习模型 进行手写体数字检测
0.引言 介绍了如何生成手写体数字的数据，提取特征，借助 sklearn 机器学习模型建模，进行识别手写体数字 1-9 模型的建立和测试。 用到的几种模型： 1. LR，Logistic Regression， （线性模型）中的逻辑斯特回归 ...
机器学习——异常值检测
机器学习——异常检测 在生产生活中，由于设备的误差或者人为操作失当，产品难免会出现错误。然后检查错误对人来说又是一个十分琐碎的事情。利用机器学习进行异常值检测可以让人类摆脱检错的烦恼。 检测算法 1.选定容易出错的\(n\)个特征\(\{x_1^{(i)},x_2^{(i ...