karandarjishack/Malware-Analysis-AI-and-Cyber-Security
GitHub: karandarjishack/Malware-Analysis-AI-and-Cyber-Security
该仓库以作品集形式串联恶意软件分析与机器学习实践，专注 PE 文件检测与云部署流程的组织与文档化。
Stars: 0 | Forks: 0
# 恶意软件分析、人工智能与网络安全
本仓库是一个针对恶意软件分析项目系列的顶级参考点，重点关注 **用于 PE 恶意软件检测的机器学习**、**云部署** 以及 **客户端分析工作流**。
它将更广泛的项目叙事与相关的实现仓库联系起来，这些仓库均围绕相同的学术与实践主题构建。
## 项目重点
- Windows PE 文件的恶意软件分类
- 机器学习模型部署
- 使用 AWS SageMaker 的云端推理
- 客户端分析工作流
- 应用网络安全与人工智能集成
## 相关仓库
- 原始项目：https://github.com/karandarjishack/Midterm
- 简化部署版本：https://github.com/karandarjishack/Simplified_Midterm
## 演示
- YouTube 演示：https://youtu.be/2HlF7h_7xbw
## 技术主题
- 基于 MalConv 风格的深度学习用于恶意软件检测
- 使用 EMBER 数据集
- AWS SageMaker 部署
- 基于 Streamlit 的界面概念
- 使用标准分类指标进行性能分析
## 仓库角色
本仓库更适合作为一个 **作品集与文档中心**，用于展示恶意软件分析相关工作，而非单一的可运行实现源码。
## 参考资源
- EMBER 数据集：https://github.com/endgameinc/ember
- AWS SageMaker 文档：https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html
- Streamlit 文档：https://docs.streamlit.io/
标签：AWS SageMaker, DAST, EMBER数据集, Kubernetes, MalConv, PE文件, Streamlit, Windows恶意软件, 云部署, 人工智能集成, 分类指标, 学术项目, 实战项目, 客户端分析, 工作流, 性能评估, 恶意软件分析, 投资组合, 推理部署, 数据科学安全, 文档中心, 机器学习检测, 深度学习, 端点安全, 网络安全, 补丁管理, 访问控制, 逆向工具, 隐私保护