線上掃毒virustotal的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

基於機器學習技術之靜態PE格式惡意程式分類之研究

為了解決線上掃毒virustotal的問題，作者張少懷 這樣論述：

近年來，惡意程式數量逐年提升、變異的速度也遠快於以往，對如今高度依賴電腦的人類社會所帶來的威脅與日俱增。過去惡意程式偵測系統主要仰賴特徵碼比對，隨著惡意程式的加速成長和隱匿技巧的進步，更新特徵碼資料庫所需要的人力與時間成本大幅增加。因此，機器學習技術被導入惡意程式偵測，從已知樣本中自動分析與學習潛在特徵，藉此對未知的程式進行預判。儘管機器學習的預測能力尚無法完取代人力，但卻能夠作為惡意程式偵測重要的一環。過去大多數應用機器學習於惡意程式辨識的研究，主要著重於惡意與非惡意的二元分類問題，近年來則開始有較多根據惡意程式家族的多元分類。本研究利用機器學習技術進行惡意程式與否及其種類的預測，比起二元

分類問題提 供了更細膩的預測訊息，相較於惡意程式家族的分類又更具實用價值的延續性。基 於數量規模高達 80 萬的惡意程式資料集，本研究為透過 VirusTotal 其打上惡意程式 種類標記。以靜態分析方式從樣本中提取大量特徵，並比較多個分類器模型的分類 性能表現。最後發現，Random Forest 模型不但在預測能力上略優於參考對象所使用 的 LightGBM 模型，達到 micro F1 分數 0.95 和 macro F1 分數 0.90 的成積，其模型訓 練時間亦僅需要對手的一半。本研究持續分析 Random Forest 模型對於各個惡意程式 類別的預測表現，並透過訓練資料集以外的惡

意程式樣本作為實例，證明本研究最 終訓練的預測模型，在實際場境中確實有能力辨識未知的惡意程式、以及預測其所屬的惡意程式種類。

Android應用程式安全性分析

為了解決線上掃毒virustotal的問題，作者陳韋廷 這樣論述：

隨著智慧型手機裝置的普及，行動應用服務迅速的發展，使得手機與生活越來越密切，許多人使用手機上網、瀏覽郵件以及購買商品，這些服務帶來了豐富的功能及良好的用戶體驗，同時也吸引了駭客的注意並對其製作惡意程式，主要以使用者的隱私資料為目標，造成使用者的資料外洩或是被用來謀取利益，對使用者造成極大的損失。本研究利用靜態分析偵測應用程式中的權限、暴露的風險以及與現有的惡意程式進行相似度比對的方式，再利用Sandbox來模擬Android行動裝置並執行應用程式，同時對此應用程式執行的所有行為進行監控及記錄，將這兩者得到的資料進行深入分析，並輸出成報表提供給使用者觀看，幫助使用者判斷其應用程式的安全性。