Project

Opcode Based IoT Malware Detector   

輸入執行檔，從執行檔中提取Opcode，並使用TF-IDF等相關技巧將其向量化，再使用預訓練好的機器學習模型進行預測，最終輸出預測結果，預測結果可以選擇是單純的判斷是否為惡意軟體，或者是惡意家族分類，最後做出的成果準確率達到99%。

Few-shot Malware Classification

透過cuckoo  sandbox蒐集出的資料，提取呼叫的API call序列，將序列透過單位時間內執行的指令數，將其轉換成圖片，並結合深度學習的模型、Few-shot和孿生網路的技術做出可以進行惡意家族分類的檢測器。

Opcode Probability Graph Based IoT Malware Detector

從執行檔提取Opcode序列，將Opcode序列透過選取出現頻率最高的100個opcodes，透過這100個opcodes在序列中的位置建立出probability graph，該graph的邊權重會透過公式計算得出，將該圖片轉換成matrix，使用該matrix前2大的eignevalues所對應的eigenvectors作為輸入模型的特徵，該檢測器可以進行惡意軟體家族預測，也可以進行單純的惡意軟體檢測。

Ensemble Learning on IoT Malware Detector

從執行檔提取Opcode、byte sequence、printable string，對不同特徵進行不同的前處理方式，使用不同的模型進行訓練，並將輸出結果連結成新的向量，再放入機器學習模型進行訓練，最終產出結果，該方式訓練的模型因考慮不同特徵及使用多個模型共同決策結果，具有較高的穩定性及較好的表現。