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:
gcc
libconfig9-dev
libarchive-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:
automake
autoconf
libtool
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:
libconfig
libarchive
(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:
gmake
libconfig
libarchive
如果需要从 GIT 仓库引导 Malheur,还需要安装以下包:
autoconf
automake
libtool
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。
ERNIE-4.5-VL-424B-A47B-Paddle
ERNIE-4.5-VL-424B-A47B 是百度推出的多模态MoE大模型,支持文本与视觉理解,总参数量424B,激活参数量47B。基于异构混合专家架构,融合跨模态预训练与高效推理优化,具备强大的图文生成、推理和问答能力。适用于复杂多模态任务场景。00pangu-pro-moe
盘古 Pro MoE (72B-A16B):昇腾原生的分组混合专家模型014kornia
🐍 空间人工智能的几何计算机视觉库Python00GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。00
热门内容推荐
最新内容推荐
项目优选









