MazenWahed/Malware-Detection-Using-EMBER-and-LightGBM

# 使用 EMBER 和 LightGBM 进行恶意软件检测 本仓库提供了一个使用 EMBER 特征集和 LightGBM 分类器进行静态恶意软件检测的机器学习 pipeline。它允许您从 Windows PE 文件中提取特征，并在不执行它们的情况下将其分类为良性或恶意。 ## 概述 特征提取 从 PE 文件中提取静态特征，包括字节分布、熵、header、导入/导出、sections 和字符串。 机器学习分类 使用预训练的 LightGBM 模型来预测文件是否为恶意软件。 输出一个介于 0 到 1 之间的分数（1 = 恶意）。 预测输出 支持单个或批量 PE 文件分类。 打印每个文件的概率分数。 使用的数据集来自 ember 2018： ## 安装 使用 `git` 下载文件。 ``` git clone https://github.com/MazenWahed/Malware-Detection-Using-EMBER-and-LightGBM.git ``` ## 克隆仓库后安装 使用 `pip` 安装所需的 package。 ``` pip install -r requirements.txt ``` ## 运行方式 在您下载文件并安装好 package 之后。pt 模型已与 `fastapi` 以及一个简单的前端代码 `index.html` 连接 运行 `app.py` ``` Python app.py ``` 您现在可以在 localhost 上打开该网站，您可以在终端输出中找到它，例如 `http://127.0.0.1:8000` 进入网站后，您会找到一个简单的仪表板和一个恶意软件扫描页面。进入该页面并上传您想要扫描的文件。在文件中包含一个 `notepad.exe`，这是一个不含恶意软件的简单 `.exe` 文件，可用于测试，它会被反馈为安全或良性。出于安全考虑，文件中没有提供恶意软件供测试。您必须自行获取 随时欢迎向我提问

标签：Apex, AV绕过, FastAPI, LightGBM, Web界面, Windows PE文件, 多模态安全, 机器学习, 特征提取, 逆向工具, 静态恶意软件检测