基于数据科学的恶意软件分析

封面

版权信息

译者序

序

前言

致谢

作者简介

评审专家简介

第1章 恶意软件静态分析基础

1.1 微软Windows可移植可执行文件格式

1.2 使用pefile解析PE文件格式

1.3 检查恶意软件的图片

1.4 检查恶意软件的字符串

1.5 小结

第2章 基础静态分析进阶：x86反汇编

2.1 反汇编方法

2.2 x86汇编语言基础

2.3 使用pefile和capstone反汇编ircbot.exe

2.4 限制静态分析的因素

2.5 小结

第3章 动态分析简介

3.1 为什么使用动态分析

3.2 恶意软件数据科学的动态分析

3.3 动态分析的基本工具

3.4 基本动态分析的局限

3.5 小结

第4章 利用恶意软件网络识别攻击活动

4.1 节点和边

4.2 二分网络

4.3 恶意软件网络可视化

4.4 使用NetworkX构建网络

4.5 添加节点和边

4.6 使用GraphViz实现网络可视化

4.7 构建恶意软件网络

4.8 构建共享图像关系网络

4.9 小结

第5章 共享代码分析

5.1 通过特征提取对样本进行比较

5.2 使用Jaccard系数量化相似性

5.3 使用相似性矩阵评价恶意软件共享代码估计方法

5.4 构建相似图

5.5 扩展相似性比较

5.6 构建持续的恶意软件相似性搜索系统

5.7 运行相似性搜索系统

5.8 小结

第6章 理解基于机器学习的恶意软件检测方法

6.1 基于机器学习的检测引擎构建步骤

6.2 理解特征空间和决策边界

6.3 是什么决定了模型的好和坏：过拟合与欠拟合

6.4 机器学习算法的主要类型

6.5 小结

第7章 评价恶意软件检测系统

7.1 四种可能的检测结果

7.2 在评价中考虑基准率

7.3 小结

第8章 构建基于机器学习的检测器

8.1 术语和概念

8.2 构建一个基于决策树的检测器雏形

8.3 使用sklearn构建实际的机器学习检测器

8.4 构建工业级的检测器

8.5 评价检测器的性能

8.6 下一步工作

8.7 小结

第9章 可视化恶意软件趋势

9.1 为什么可视化恶意软件数据很重要

9.2 理解我们的恶意软件数据集

9.3 使用matplotlib可视化数据

9.4 使用seaborn可视化数据

9.5 小结

第10章 深度学习基础

10.1 深度学习的定义

10.2 神经网络是如何工作的

10.3 训练神经网络

10.4 神经网络的类型

10.5 小结

第11章 使用Keras构建神经网络恶意软件检测器

11.1 定义模型的架构

11.2 编译模型

11.3 训练模型

11.4 模型评价

11.5 使用回调强化模型训练过程

11.6 小结

第12章 成为数据科学家

12.1 成为安全数据科学家之路

12.2 安全数据科学家的一天

12.3 高效安全数据科学家的特征

12.4 未来的工作

附录 数据集和工具概述

数据集的概述