經銷商專區｜登入
〔最新消息〕2021-01-05
SoReL-20M: 2000 萬惡意軟件樣本數據集開源
SoReL-20M 是一個含有 2000 萬 Windows PE 文件元數據、標籤和特徵的數據集，其中包含 1000 萬去除惡意軟件功能的惡意軟件樣本，目標是爲設計檢測惡意軟件的機器學習方法提供足夠的數據集。同時開源的還有在這些數據上預訓練的基於 PyTorch 和 LightGBM 的機器學習模型作爲基準。
自然語言處理和圖像處理領域都有很多公開的數據集，比如 MNIST、ImageNet、CIFAR-10、IMDB Reviews、Sentiment140 和 WordNet。與自然語言處理和圖像處理領域不同的是，標準化的、標記的數據集對網絡安全來說是非常具有挑戰性的，因爲有很多個人識別的信息、敏感的網絡基礎設施數據、個人知識產權數據等，更何況要把惡意軟件提供給未知的第三方。
2018 年發佈的 EMBER （Endgame Malware BEnchmark for Research）是一個開源的惡意軟件分類器，其中只有 110 萬惡意樣本，其功能只是單一的標記數據集（惡意軟件或非惡意軟件），也就是說會限制試驗的範圍。
SoReL-20M 的目標是通過 2000 萬的 PE 惡意軟件樣本來解決這一問題，其中含有 1000 萬去除惡意軟件功能的惡意軟件樣本（無法執行），以及 1000 萬非惡意軟件中提取的特徵和元數據。
此外，該方法使用基於機器學習的標記模型來生成指定惡意軟件樣本重要特徵的人類可理解的語義描述。
SoReL-20M 的發佈與近期業界動向是一致的。20 年 10 月，微軟發佈了對抗機器學習威脅矩陣來幫助安全分析人員檢測、響應和修復針對機器學習系統的對抗攻擊。
ReversingLabs 研究人員稱，安全領域威脅情報共享的思想並不新鮮，但是是非常關鍵的。人工智能和機器學習已經成爲檢測新的惡意軟件和定向攻擊軟件的關鍵，而且應用也越來越廣泛。
原文連結
