uborkar/Malware-Detection-and-Classification
GitHub: uborkar/Malware-Detection-and-Classification
基于机器学习的 Windows 恶意软件检测系统，通过静态分析 PE 文件特征实现恶意与良性文件的自动分类。
Stars: 0 | Forks: 0
# 恶意软件检测与分类
## 📌 项目简介
本项目旨在使用**机器学习**技术检测和分类 Windows 可执行文件（`.exe`）。通过**静态分析**和**基于模式的学习**，系统能够识别文件是**恶意软件 (Malware)** 还是**良性文件 (Benign)**。
该工具采用 Python 后端和简单的 Web UI 构建，展示了进行实时网络安全分析的实用方法。它可以作为一个基础模型，后续可扩展为企业级安全工具，或与杀毒软件及威胁情报系统进行集成。
## 🧪 主界面
提供一个简洁、极简的 UI，用户可以在此上传 `.exe` 文件以检测是否存在恶意软件。
## 🚨 预测结果
扫描完成后，系统会立即返回结果：
- **MALWARE**（如果检测到威胁）
- **BENIGN**（如果文件安全）
### 🚨 恶意软件
### ✅ 良性文件
## ⚙️ 安装与设置
### ✅ 使用 Conda（推荐）
```
# 步骤 1：创建 virtual environment
conda create -n malware_detector python=3.10
# 步骤 2：激活环境
conda activate malware_detector
# 步骤 3：克隆仓库
git clone https://github.com/uborkar/Malware-Detection-and-Classification.git
cd Malware-Detection-and-Classification
# 步骤 4：安装依赖
pip install -r requirements.txt
```
## 📦 Python 依赖项
| 包名 | 用途 |
| -------------- | --------------------------------------------- |
| `Flask` | 后端 Web 框架 |
| `scikit-learn` | ML 模型 (Random Forest) |
| `pandas` | 数据处理与操作 |
| `numpy` | 数值计算 |
| `joblib` | 保存和加载 ML 模型 |
| `pefile` | 从 `.exe` 文件中提取静态特征 |
| `werkzeug` | 在 Flask 中安全地处理文件名 |
使用以下命令安装所有依赖：
```
pip install flask scikit-learn pandas numpy joblib pefile werkzeug
```
## 🗂️ 目录结构
```
Malware-Detection-System/
├── app/ # Core application logic
│ ├── feature_extractor.py # Feature extraction from .exe files
│ └── predict_malware.py # Prediction function / wrapper
│
├── scripts/ # Scripts used for training or testing
│ ├── train_model.py # Model training script (if applicable)
│ └── create_dataset.py # Dataset preparation script
│
├── models/ # Stored trained models
│ ├── classifier.pkl
│ └── malware_model.pkl
│
├── data/ # Input datasets for training/testing
│ ├── dataset.csv
│ ├── PE_Dataset_Label.csv
│ └── sample_dataset.csv
│
├── templates/ # HTML templates for Flask UI
│ └── index.html
│
├── uploads/ # Temporary uploaded .exe files
│ ├── fake_malware.exe
│ └── notepad.exe
│
├── static/ # (Optional) for future CSS or JS
│
├── app.py # Main Flask server
├── requirements.txt # List of Python packages
└── README.md # Project documentation
```
## 🚀 运行应用程序
在本地启动 Web 应用程序：
```
python app.py
```
然后在浏览器中访问以下地址打开应用程序：
```
http://127.0.0.1:5000/
```
## 🛠️ 技术栈
| 层级 | 使用的工具 |
| ------------- | ------------------------------------ |
| Frontend | HTML, CSS |
| Backend | Python, Flask |
| ML 框架 | scikit-learn (Random Forest) |
| 文件解析 | pefile (Python PE Parser) |
| 托管环境 | Localhost (Flask Server) |
## 🚧 计划中的改进
- 添加威胁情报 API（VirusTotal、Hybrid Analysis）
- 扩展对 ELF 和 Mach-O 二进制文件（Linux/macOS）的支持
- 使用 Docker 进行部署以提升安全性
- 添加高级可视化功能以进行特征分析
- 构建用于多用户访问的身份验证模块
标签：Apex, Flask, Python, 云安全监控, 后端开发, 多模态安全, 无后门, 机器学习, 逆向工具, 静态分析