1.对于响应人员，在溯源的时候发现某台主机可能被入侵的时候可以调用这个检测流程。关于自动触发的问题涉及到内部策略，之前打算写，被要求删除了，这里暂时不能讲哈
2.关于判断哪些类需要检测，对于响应人员来说，是可以根据类名等信息来人工简单的判断，比如图中的T7Neo，对应的工具是neo-reg。这个其实也看一点经验，如果对业务很熟悉的话，可以很快定位到，类名不会太多。
关于自动化方案流程图，有两个问题向请教下：
前言 在上文《基于AST的Webshell检测》中，笔者已经提出了基于抽象语法树是可以用来检测Webshell的，那么如何将这种思想应用在jsp/jspx的webshell检测便是本文讨论的重点。 简单回顾下抽象语法树的检测原来，由于webshell和正常文件在语法结构上会有比较明显的出入，比如说一句话木马普遍流程就是传参然后执行命令，转化为语法结构上其实是比较单一的，正常文件的语法结构会比这复杂
前记 最近有一个项目需求，需要将恶意样本的厂商描述给汇聚成一组统一的标签，然后后续需要对恶意样本的流量及行为进行特征提取和机器学习来实现恶意样本的检测。 简单点来讲所做的恶意样本家族分类其实就是一个数据清洗和打标签的过程。 数据样本量有90000多条，主要采集于virusshare，这里就以virustotal为例，实际效果其实是一样的 这里大概有大概几十家厂商，但是各家厂商的标签都不一样，甚至
事实证明，机器学习在网络和安全相关领域的应用非常有效。深度学习在语音识别、目标检测、自然语言处理等许多机器学习任务上的性能更佳。本文介绍深度学习在安全领域的一些应用。 Tobiyama提出一种基于进程行为进行恶意进程检测到方法，研究人员利用LSTM（Long Short-Term Memory，长短期记忆网络）进行特征提取，用CNN（Convolutional Neural Networks，卷积
前言 想了好久的题目，不知道该用什么样的标题去吸引人，webshell的检测研究已经有很多文章披露了，在兜哥的机器学习书中也被反复作为案例提及，这里Webshell检测都是基于文件特征的，并不是基于流量特征的检测。 个人思考 在查阅了大量论文研究和实际案例后发现国内在webshell检测上的思路似乎没有什么新的突破，总结下来Webshell检测其实无外乎统计学检测、基于黑白名单的检测、基于opco
Rohan Doshi, Noah Apthorpe, Nick Feamster Princeton University 来源：https://arxiv.org/abs/1804.04159 0x00 摘要 尽管越来越多的物联网（IoT）设备连接到互联网，但其中许多设备并不安全，进一步恶化了互联网环境。利用不安全的家用物联网设备，一些僵尸网络（如Mirai）对关键基础设施进行分布式拒绝服务
@cincly
1.对于响应人员，在溯源的时候发现某台主机可能被入侵的时候可以调用这个检测流程。关于自动触发的问题涉及到内部策略，之前打算写，被要求删除了，这里暂时不能讲哈
2.关于判断哪些类需要检测，对于响应人员来说，是可以根据类名等信息来人工简单的判断，比如图中的T7Neo，对应的工具是neo-reg。这个其实也看一点经验，如果对业务很熟悉的话，可以很快定位到，类名不会太多。