機器學習&惡意代碼檢測簡介
Malware detection 目錄 可執行文件簡介 檢測方法概述 資源及參考文獻 可執行文件簡介 ELF（Executable Linkable Format） linux下的可執行文件格式，按照ELF格式編寫的文件包括：.so ...
原文：利用機器學習檢測HTTP惡意外連流量
本文通過使用機器學習算法來檢測HTTP的惡意外連流量，算法通過學習惡意樣本間的相似性將各個惡意家族的惡意流量聚類為不同的模板。並可以通過模板發現未知的惡意流量。實驗顯示算法有較好的檢測率和泛化能力。 背景 攻擊者為控制遠程的受害主機，必定有一個和被控主機的連接過程，一般是通過在被控主機中植入后門等手段，由受控主機主動發出連接請求。該連接產生的流量就是惡意外連流量，如圖 . 所示。目前檢測惡意外連流 ...
2019-11-17 12:26 0 298 推薦指數：
相關推薦
詳解基於機器學習的惡意代碼檢測技術
摘要：由於機器學習算法可以挖掘輸入特征之間更深層次的聯系，更加充分地利用惡意代碼的信息，因此基於機器學習的惡意代碼檢測往往表現出較高的准確率，並且一定程度上可以對未知的惡意代碼實現自動化的分析。 本文分享自華為雲社區《[當人工智能遇上安全] 4.基於機器學習的惡意代碼檢測技術詳解》，作者 ...
使用機器學習檢測TLS 惡意加密流——業界調研***有開源的數據集，包括惡意證書的，以及惡意tls pcap報文***
/2018-10-deep-neural-networks-malicious-tls.html 使用LSTM對惡意證書進行分類，准確率94% 下面是介紹。 Moreover, encry ...
機器學習之異常檢測
前言 以下內容是個人學習之后的感悟，轉載請注明出處~ 簡介 在生活中，經常會遇到這樣一個對象集，有個別的對象是與大部分對象不一樣的，且前者是比較罕見的。我們通常 需要去發現它，這就用到了非監督學習的異常檢測算法，下面來舉一些異常檢測的應用 ...
加密惡意流量分析-Maltrail惡意流量檢測系統
項目介紹 maltrail是一款輕量級的惡意流量檢測系統，其工作原理是通過采集網絡中各個開源黑樣本（包括IP、域名、URL），在待檢測目標機器上捕獲流量並進行惡意流量匹配，匹配成功則在其web頁面上展示命中的惡意流量。 項目GitHub地址 ...
Python 3 利用 Dlib 和 sklearn 人臉笑臉檢測機器學習建模
0. 引言 利用機器學習的方法訓練微笑檢測模型，輸入一張人臉照片，判斷是否微笑； 精度在 95% 左右（ 使用的數據集中 69 張沒笑臉，65 張有笑臉 ）； 圖1 測試圖像與檢測結果 項目實現的笑臉識別，並不是通過 計算嘴唇角度，滿足一定弧度認定 ...
Python 3 利用機器學習模型 進行手寫體數字檢測
0.引言 介紹了如何生成手寫體數字的數據，提取特征，借助 sklearn 機器學習模型建模，進行識別手寫體數字 1-9 模型的建立和測試。 用到的幾種模型： 1. LR，Logistic Regression， （線性模型）中的邏輯斯特回歸 ...
機器學習——異常值檢測
機器學習——異常檢測 在生產生活中，由於設備的誤差或者人為操作失當，產品難免會出現錯誤。然后檢查錯誤對人來說又是一個十分瑣碎的事情。利用機器學習進行異常值檢測可以讓人類擺脫檢錯的煩惱。 檢測算法 1.選定容易出錯的\(n\)個特征\(\{x_1^{(i)},x_2^{(i ...