0x-Apollyon/AntiArgfuscator
GitHub: 0x-Apollyon/AntiArgfuscator
一个基于 XGBoost 的轻量级机器学习模型，用于快速检测经 Argfuscator 工具混淆的 CLI 命令行。
Stars: 2 | Forks: 0
# AntiArgfuscator
### 一个用于检测混淆 CLI 命令的 xgboost 模型
## 工作原理
AntiArgfuscator 是一个非常轻量级的 XGBoost 模型，经过训练可以检测混淆的 CLI 命令。
要运行它，请按照以下步骤操作： ``` git clone https://github.com/0x-Apollyon/AntiArgfuscator.git cd AntiArgfuscator python -m venv venv (optional) source venv/bin/activate (optional) pip install -r requirements.txt python prediction.py ``` 然后就大功告成了.... ## 模型指标 ``` Training Metrics: accuracy: 0.9554 precision: 1.0000 recall: 0.9429 f1: 0.9706 average_precision: 1.0000 Testing Metrics: accuracy: 0.8929 precision: 0.9750 recall: 0.8864 f1: 0.9286 average_precision: 0.9726 ```  ## 缺点 这种方法绝不是最佳方案，而是最快方案。
我认为，为训练集中的每个命令创建 vector embedding，然后训练一个 transformer，将能带来最佳的准确率。
然而，transformer 的计算成本极高且速度很慢。
我注意到的另一个问题是，该模型在将样本标记为“未混淆（unobfuscated）”时存在一定偏差。
要运行它，请按照以下步骤操作： ``` git clone https://github.com/0x-Apollyon/AntiArgfuscator.git cd AntiArgfuscator python -m venv venv (optional) source venv/bin/activate (optional) pip install -r requirements.txt python prediction.py ``` 然后就大功告成了.... ## 模型指标 ``` Training Metrics: accuracy: 0.9554 precision: 1.0000 recall: 0.9429 f1: 0.9706 average_precision: 1.0000 Testing Metrics: accuracy: 0.8929 precision: 0.9750 recall: 0.8864 f1: 0.9286 average_precision: 0.9726 ```  ## 缺点 这种方法绝不是最佳方案，而是最快方案。
我认为，为训练集中的每个命令创建 vector embedding，然后训练一个 transformer，将能带来最佳的准确率。
然而，transformer 的计算成本极高且速度很慢。
我注意到的另一个问题是，该模型在将样本标记为“未混淆（unobfuscated）”时存在一定偏差。
标签：Apex, CIDR扫描, DNS 反向解析, XGBoost, 命令行检测, 恶意行为检测, 机器学习, 混淆识别, 逆向工具