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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0137- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniCPM-V-4.6这是 MiniCPM-V 系列有史以来效率与性能平衡最佳的模型。它以仅 1.3B 的参数规模,实现了性能与效率的双重突破,在全球同尺寸模型中登顶,全面超越了阿里 Qwen3.5-0.8B 与谷歌 Gemma4-E2B-it。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
MusicFreeDesktop插件化、定制化、无广告的免费音乐播放器TypeScript00