NhanDinhVan/malware-detection-research

# 恶意软件检测研究 具有可重复证据标准的 AI 驱动的恶意软件检测研究工作区。 ## 概述 本仓库跟踪恶意软件检测的研究论文、分析和见解。重点关注用于恶意软件分类的深度学习方法，重点包括： - 原始二进制恶意软件分类 - 针对恶意软件的自监督学习 - Transformer 架构和注意力机制 - 基于公开数据集的可重复研究 ## 快速开始 ### 查看研究进展 ``` cat roadmap.md # See all papers organized by theme cat papers/lmlm-ndss2026/overview.md # View paper overview (facts) cat papers/lmlm-ndss2026/notes.md # View deep analysis (citations) ``` ### 查找论文 ``` /paper-curator "transformer malware detection" shortname ``` ### 分析论文 ``` /paper-analyzer lmlm-ndss2026 ``` ## 仓库结构 ``` malware/ ├── README.md # This file ├── roadmap.md # Research roadmap (table-based, organized by themes) ├── CLAUDE.md # Research collaboration framework & governance ├── papers/ # Paper folders (per-paper structure) │ └── lmlm-ndss2026/ │ ├── overview.md # Paper summary (verified facts) │ └── notes.md # Deep analysis (citations & insights) └── .claude/ ├── MCP_USAGE_GUIDE.md # MCP tool verification workflows └── skills/ ├── paper-curator/SKILL.md # Find & verify papers ├── paper-analyzer/SKILL.md # Deep paper analysis └── writing-skills/SKILL.md # Academic writing help ``` ## 研究原则 ### 证据优先 - 每篇论文推荐都包含经过验证的 DOI、数据集和代码 - 优先选择顶级会议/期刊 (NDSS, IEEE S&P, USENIX Security, ACM CCS) 的论文 - 可重复性高于创新性 ### 深入理解 - 专注于理解技术_为什么_有效，而不仅仅是它_做什么_ - 明确指出局限性和研究空白 - 将论文与更广泛的研究背景联系起来 ### 批判性思维 - 质疑假设和声明 - 严格评估实验证据 - 提取可迁移的知识供未来工作使用 ## 工作流 ### 1. 查找论文 使用 `/paper-curator [topic] [shortname]` 查找已验证的论文： - ✅ 来自出版商的经过验证的 DOI - ✅ 公开数据集 (带有下载链接) - ✅ 开源代码 (如果可用) **输出**: 创建 `papers/[shortname]/overview.md` (经过验证的事实) + 模板 `notes.md` ### 2. 阅读与分析 - 彻底阅读论文 - 使用 `/paper-analyzer [shortname]` 提取见解 - 输出将写入 `papers/[shortname]/notes.md` 并附带完整引文 (p. XX) **保证**: 每个声明都有直接的论文原文引用支持 ### 3. 跟踪进度 - 技能会自动使用新论文更新 `roadmap.md` - 将论文沿着 pipeline 推进: 队列 → 阅读中 → 已完成 - 将论文添加到相应的研究主题 - 在路线图中链接相关论文和前置条件 ## 当前重点 **论文**: Beyond Raw Bytes: Towards Large Malware Language Models (NDSS 2026) **状态**: 概述 ✅ 已验证 | 分析 📖 待处理 **位置**: - 概述: `papers/lmlm-ndss2026/overview.md` ✅ - 分析: `papers/lmlm-ndss2026/notes.md` (等待分析器处理) ## 研究主题 1. **原始二进制恶意软件分类** — 基于 CNN 的字节级检测 2. **针对恶意软件的自监督学习** — 预训练和迁移学习 3. **用于恶意软件的 Transformer 架构** — 注意力机制和 LLM 完整的论文列表请参见 `roadmap.md`。 _最后更新: 2026-07-17_

标签：二进制分析, 云安全运维, 人工智能, 学术研究, 深度学习, 用户模式Hook绕过, 逆向工具, 防御加固