BMRO14/ML-Powered-AV-with-Image-Signatures

# 基于机器学习的图像签名反病毒系统 一个轻量级的反病毒项目，通过静态特征、基于熵的可视化以及机器学习来分析可移植可执行（PE）文件。 该系统可以将文件分类为**恶意软件**或**良性**，同时支持家族级别的分类。 ## 工作原理 1. 用户选择一个文件。 2. 系统读取 PE 结构并提取静态信息。 3. 计算熵值并将其转换为类 RGB 图像签名。 4. 两个 Random Forest 模型对特征进行分析。 5. 应用程序返回带有置信度的双重预测结果（恶意软件 vs. 良性 / 家族归因）。 ## 主要特性 - PE 文件的静态分析。 - 基于熵的 RGB 图像签名。 - Random Forest 分类。 - 二分类和多分类检测。 - 简洁的反病毒风格界面。 ## 项目图片 在此处添加截图以展示处理流程和界面。 ### 完整工作流  ### 主应用程序  ### 扫描示例   ## 数据集 该项目使用了恶意和良性 PE 样本，并进行了组织以供训练和评估。 特征从每个文件的起始部分提取，并被转换为 199 维的表示形式。 ## 结果 论文报告了二分类和多分类任务的强劲表现，该模型还提供了特征重要性的深入见解。 ## 环境要求 - Python - scikit-learn - NumPy - pandas - matplotlib - PE 解析 / 文件分析库 ## 作者 Vlad-Andrei Paraschiv

标签：Apex, Python, Windows PE文件, 云安全监控, 无后门, 机器学习, 逆向工具, 防病毒, 随机森林, 静态分析