keerthana-donta/Forensics-Aware-DeepLearning-Approach-for-Detecting-Fileless-Malware-in-System-Memory
GitHub: keerthana-donta/Forensics-Aware-DeepLearning-Approach-for-Detecting-Fileless-Malware-in-System-Memory
基于LSTM和GRU的深度学习框架，通过分析系统内存转储检测难以被传统方案发现的无文件恶意软件。
Stars: 0 | Forks: 0
# 用于检测系统内存中无文件恶意软件的取证感知深度学习方法
## 概述
本项目提出了一种**取证感知深度学习框架**，通过分析系统内存工件来检测**无文件恶意软件**。与依赖存储在磁盘上的可执行文件的传统恶意软件不同，无文件恶意软件主要在易失性内存中运行，这使得传统的防病毒解决方案难以对其进行检测。
该框架将**数字内存取证**与**深度学习**技术相结合，以识别恶意的内存模式。内存转储数据经过预处理，转换为数值特征表示，并使用**长短期记忆网络（LSTM）**和**门控循环单元（GRU）**进行分类。模型在 **Obfuscated-MalMem2022** 数据集上进行了训练和评估，以准确区分良性和恶意的内存样本。
## 功能
* 从系统内存转储中检测无文件恶意软件。
* 将数字取证与深度学习相集成。
* 实现 LSTM 和 GRU 模型用于恶意软件分类。
* 执行数据预处理、特征提取和模型评估。
* 使用 Accuracy、Precision、Recall、F1-Score 和 Confusion Matrix 评估性能。
* 使用 Obfuscated-MalMem2022 数据集进行训练和测试。
## 使用的技术
* Python
* TensorFlow / Keras
* NumPy
* Pandas
* Scikit-learn
* Matplotlib
* Seaborn
* Jupyter Notebook
## 数据集
* **Obfuscated-MalMem2022 数据集**
* 包含从良性和无文件恶意软件样本中提取的基于内存的特征，用于恶意软件检测研究。
## 工作流程
1. 数据收集
2. 数据预处理
3. 特征选择
4. 模型开发（LSTM 和 GRU）
5. 模型训练
6. 性能评估
7. 恶意软件检测与预测
## 性能指标
* Accuracy
* Precision
* Recall
* F1-Score
* Confusion Matrix
* ROC-AUC（如已实现）
## 应用场景
* 端点检测与响应（EDR）
* 内存取证
* 事件响应
* 网络威胁狩猎
* 企业安全监控
## 未来增强功能
* 实时内存监控。
* 混合深度学习模型，如 CNN-LSTM 和基于 Attention 的架构。
* 检测零日漏洞和高级持续性威胁（APT）。
* 与企业安全和云监控平台集成。
* 支持实时内存获取和自动化取证分析。
标签：GRU, LSTM, NoSQL, SecList, 内存取证, 库, 应急响应, 深度学习, 逆向工具