abamidele/Latent-Stability-Analysis-of-Malware-Representations-Under-Feature-Space-Perturbations

# 恶意软件表示在特征空间扰动下的潜在稳定性分析 本仓库提供了在受控特征空间扰动下，对恶意软件特征表示进行潜在稳定性分析的实验代码。该 pipeline 可评估完整的 EMBER/BODMAS 风格 PE 特征向量、PCA 压缩特征、beta/denoising VAE 潜在表示、Mandelbrot 启发的逃逸时间描述符、Latent Escape Divergence (LED)，以及基于 PINNFlow 的残差、速度、风险和梯度偏移诊断。 其目标不是替代高性能的纯净样本恶意软件分类器，而是提供额外的鲁棒性和表示稳定性诊断，以帮助解释恶意软件特征表示在扰动下是如何变化的。 该代码支持纯净分类消融、扰动鲁棒性评估、bootstrap 置信区间、McNemar 配对检验、边界复杂度估计，以及可选的外部提供的纯净/扰动 PE 特征对评估。 本仓库针对提取出的特征向量进行操作，不会生成或修改恶意软件二进制文件。

标签：Apex, Python, 无后门, 机器学习, 特征工程, 逆向工具, 鲁棒性分析