Malheur 项目技术文档
1. 安装指南
依赖项
在安装 Malheur 之前,请确保系统中已安装以下依赖项:
- libconfig >= 1.4
- libarchive >= 3.1.2
Debian & Ubuntu Linux
在 Debian 和 Ubuntu 系统上,需要安装以下包:
gcclibconfig9-devlibarchive-dev
如果需要从 GIT 仓库引导 Malheur 或操作 automake/autoconf 配置,还需要安装以下包:
automakeautoconflibtool
Mac OS X
在 Mac OS X 上,需要安装 Xcode 并确保 gcc 可用。此外,通过 Homebrew 安装以下包:
libconfiglibarchive(来自 homebrew-alt)
OpenBSD
在 OpenBSD 上,需要安装以下包。注意,需要使用 gmake 而不是 make 来构建 Malheur:
gmakelibconfiglibarchive
如果需要从 GIT 仓库引导 Malheur,还需要安装以下包:
autoconfautomakelibtool
编译与安装
从 GIT 仓库
-
运行以下命令以引导项目:
$ ./bootstrap -
配置、编译并安装:
$ ./configure [options] $ make $ make check $ make install
从 tarball
- 解压 tarball 后,运行以下命令:
$ ./configure [options] $ make $ make check $ make install
配置选项
--prefix=PATH:设置安装目录的前缀。默认情况下,Malheur 安装在/usr/local。如果需要安装到其他位置,可以使用此选项。
2. 项目使用说明
Malheur 是一个用于自动分析恶意软件行为的工具。它支持以下四种基本分析操作:
-
提取原型:从给定的报告集中,Malheur 识别出代表整个数据集的原型子集。这些原型提供了记录行为的快速概览,并可用于指导手动检查。
-
行为聚类:Malheur 自动识别包含相似行为的报告组(聚类)。聚类有助于发现新的恶意软件类别,并为制定特定的检测和防御机制(如反病毒签名)提供基础。
-
行为分类:基于先前聚类的报告,Malheur 能够将未知行为分配到已知的恶意软件组中。分类有助于识别新的和未知的恶意软件变种,并可用于在手动检查之前过滤程序行为。
-
增量分析:Malheur 可以增量方式应用于大数据集的分析。通过分块处理报告,可以显著减少运行时间和内存需求。这使得长期应用 Malheur(例如每日分析新到的恶意软件程序)成为可能。
3. 项目 API 使用文档
Malheur 提供了用于分析恶意软件行为的 API。以下是 API 的基本使用说明:
提取原型
$ malheur extract -i input_reports -o output_prototypes
-i input_reports:指定输入的报告文件或目录。-o output_prototypes:指定输出的原型文件。
行为聚类
$ malheur cluster -i input_reports -o output_clusters
-i input_reports:指定输入的报告文件或目录。-o output_clusters:指定输出的聚类结果文件。
行为分类
$ malheur classify -i input_reports -o output_classification
-i input_reports:指定输入的报告文件或目录。-o output_classification:指定输出的分类结果文件。
增量分析
$ malheur incremental -i input_reports -o output_incremental
-i input_reports:指定输入的报告文件或目录。-o output_incremental:指定输出的增量分析结果文件。
4. 项目安装方式
Malheur 可以通过以下两种方式安装:
-
从 GIT 仓库:
- 克隆仓库并运行
./bootstrap。 - 配置、编译并安装:
$ ./configure [options] $ make $ make check $ make install
- 克隆仓库并运行
-
从 tarball:
- 解压 tarball 后,运行:
$ ./configure [options] $ make $ make check $ make install
- 解压 tarball 后,运行:
通过以上步骤,您可以成功安装并使用 Malheur 进行恶意软件行为的自动分析。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C093
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00