gautham005g/Deep-Learning-Based-Detection-of-Polyglot-Malware-in-Digital-Images-using-Hybrid-Model

# 🔐 基于深度学习的数字图像多态恶意软件检测 ## 🚀 概述 随着网络威胁的迅速增加，攻击者越来越多地使用**多态恶意软件 (polyglot malware)**，将恶意代码隐藏在看似无害的图像文件（JPG/PNG）中。这些文件通过伪装成合法文件，可以绕过传统的安全系统。 本项目提出了一种**混合深度学习模型 (CNN + BiLSTM)**，通过执行**双域分析（图像级 + 字节级）**来准确检测隐藏在数字图像中的恶意软件。 ## 🎯 问题陈述 传统的恶意软件检测系统依赖于： * 基于特征的检测 * 启发式分析 这些方法在以下情况下会失效： * 恶意软件**隐藏在图像内部** * 文件包含**多种格式（多态）** * 威胁是**混淆的或零日攻击** 👉 现有系统仅分析**单一领域（图像或二进制）**，导致检测准确率较低。 ## 💡 提议的解决方案 本项目引入了一种**混合深度学习方法**： ### 🔹 CNN（卷积神经网络） * 从图像数据中提取**空间特征** * 检测视觉异常和隐藏的模式 ### 🔹 BiLSTM（双向 LSTM） * 分析**序列型字节级数据** * 检测隐藏的恶意 payload 模式 ### 🔹 特征融合 * 结合两者输出 * 执行**二分类（良性 / 恶意）** ## 🏗️ 系统架构 1. 输入图像文件 2. 预处理： * 转换为灰度图（用于 CNN） * 提取字节序列（用于 BiLSTM） 3. 双模型处理： * CNN → 图像分析 * BiLSTM → 序列分析 4. 特征融合 5. 分类输出 ## 📊 结果与性能 * ✅ 达到了 **~96.9% 的准确率** * ✅ 优于仅使用 CNN 的模型（~93%） * ✅ 降低了误报率和漏报率 * ✅ 对混淆和隐藏的恶意软件具有鲁棒性 ## 🛠️ 技术栈 * **语言：** Python * **深度学习：** TensorFlow, Keras * **库：** NumPy, Pandas, Scikit-learn, Matplotlib * **前端：** Streamlit * **开发环境：** Google Colab, VS Code * **版本控制：** Git & GitHub ## 💻 功能 ✔ 检测隐藏在图像内部的恶意软件 ✔ 高准确率的混合 AI 模型 ✔ 支持 JPG 和 PNG 格式 ✔ 基于 Streamlit 的交互式 UI ✔ 自动特征提取 ✔ 实时预测 ## 📂 项目结构 ``` Deep-Learning-Polyglot-Malware/ │── app.py │── polyglotmalwaredetection.py │── hybrid_cnn_bilstm.keras │── requirements.txt │── README.md ``` ## ▶️ 如何运行 ``` # Clone repository git clone https://github.com/your-username/repo-name.git # Install dependencies pip install -r requirements.txt # Run application streamlit run app.py ``` ## 📸 输出 * 准确率图表 * 混淆矩阵 * 分类报告 * Streamlit UI 显示： * 良性 / 恶意预测结果 ## 🔬 方法论 * 使用良性和恶意图像创建数据集 * 数据预处理（图像 + 字节序列） * 使用 CNN + BiLSTM 进行模型训练 * 使用以下指标进行评估： * 准确率 * 精确率 * 召回率 * F1分数 (F1-score) ## 📌 应用场景 * 网络安全系统 * 恶意软件检测工具 * 数字取证 * 电子邮件/文件扫描系统 * 威胁情报平台 ## ⚠️ 局限性 * 仅适用于图像格式（JPG、PNG） * 静态分析（无动态执行） * 不清除恶意软件（仅进行检测） ## 🔮 未来展望 * 扩展至 PDF、视频和文档文件 * 在企业系统中进行实时部署 * 与杀毒软件和 IDS 系统集成 * 提高对高级零日攻击的检测能力 ## ⚠️ 知识产权声明 本项目是学术研究的一部分，可能与**专利工作**相关。 为保护知识产权，部分实现细节已作简化处理。 ## 👨‍🎓 作者 **Gowtham G** MCA – VIT Vellore ## ⭐ 支持 如果您喜欢这个项目，请考虑在 GitHub 上给它点个 ⭐！

标签：BiLSTM, CNN, DNS 反向解析, Kubernetes, Python, 人工智能, 无后门, 深度学习, 用户模式Hook绕过, 网络信息收集, 计算机视觉, 逆向工具