歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
sophos公司的問題，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
sophos公司的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦（美）約書亞·薩克斯（美）希拉蕊·桑德斯寫的 基於數據科學的惡意軟件分析 可以從中找到所需的評價。
另外網站Sophos | Solutions | ACW Distribution也說明：Sophos began producing antivirus and encryption products nearly 30 years ago in the United Kingdom. Today our products help secure the networks used by 100 ...
國防大學 網路安全碩士班 周兆龍所指導 林韶如的 基於網路異常行為分析與機器學習技術之勒索病毒檢測 （2021），提出sophos公司關鍵因素是什麼，來自於勒索病毒、動態分析、網路封包、機器學習。
而第二篇論文華夏科技大學 資訊管理系碩士在職專班 陳祐祥所指導 陳鴻銘的 進階持續性攻擊-以中共網軍為例 （2020），提出因為有 進階持續性攻擊、內容分析法、層級分析法、實驗法、網站漏洞的重點而找出了 sophos公司的解答。
最後網站Sophos - 瑞虹科技股份有限公司則補充：Sophos 是世界防毒軟體首屈一指的領導品牌，捍衛全球企業組織免受電腦病毒及垃圾 ... Sophos Anti-Virus Ptd Ltd為Sophos亞洲分公司，其全球總部Sophos Plc位於英國名城 ...
基於數據科學的惡意軟件分析
為了解決sophos公司 的問題，作者（美）約書亞·薩克斯（美）希拉蕊·桑德斯 這樣論述：
每年都有數百萬個惡意軟體檔被創建，每天都會產生大量與安全相關的資料，安全已經成為一個“大資料”問題。所以，當防範惡意軟體時，為什麼不像資料科學家那樣思考呢？ 在本書中，安全資料科學家約書亞·薩克斯和希拉蕊·桑德斯展示了在構建自己的檢測和情報系統時，如何應用機器學習、統計和資料視覺化等技術。在概述了靜態和動態分析等基礎逆向工程概念之後，你將學習如何度量惡意軟體樣本中的代碼相似性，並使用scikit-learn和Keras等機器學習框架構建和訓練你自己的檢測器。 通過閱讀本書，你將學習如何: 通過共用代碼分析，識別由相同攻擊組織編寫的新惡意軟體 通過建立自己的機器學習檢測系統來捕獲0day惡意
軟體 使用ROC曲線來度量惡意軟體檢測器的準確性，以幫助你選擇解決安全問題的途徑 使用資料視覺化技術來識別和探討惡意軟體攻擊活動、演變趨勢和相互關係 使用Python實現基於深度神經網路的檢測系統 無論你是一位想要為現有武器庫豐富能力的惡意軟體分析師，還是一位對攻擊檢測和威脅情報感興趣的資料科學家，本書都將幫助你保持領先地位。 約書亞·薩克斯（Joshua Saxe）是專業安全企業Sophos的首席資料科學家，他在Sophos公司負責領導一個安全資料科學研究團隊。他還是Sophos公司基於神經網路的惡意軟體檢測器的主要發明者，它可以保護數以千萬計的Sophos客戶防範
惡意軟體。在加入Sophos之前，他花了5年時間來管理美國國防高級研究計畫局資助的美國政府安全資料研究專案。 希拉蕊桑德斯（Hillary Sanders）是Sophos公司的高級軟體工程師和資料科學家，她在為Sophos公司發明和產品化神經網路、機器學習和惡意軟體相似性分析安全技術方面發揮了關鍵作用。在加入Sophos之前，希拉蕊是Premise資料公司的資料科學家。她經常在Black Hat USA和BSides Las Vegas等安全會議上發表演講。 譯者序 序 前言 致謝 作者簡介 評審專家簡介 第1章 惡意軟體靜態分析基礎 1 1.1 微軟Windows
可攜式可執行檔格式 2 1.1.1 PE頭 3 1.1.2 可選頭 3 1.1.3 節頭 3 1.2 使用pef?ile解析PE檔案格式 5 1.3 檢查惡意軟體的圖片 7 1.4 檢查惡意軟體的字串 8 1.4.1 使用字串程式 8 1.4.2 分析鏡像字串 8 1.5 小結 10 第2章 基礎靜態分析進階：x86反彙編 11 2.1 反彙編方法 11 2.2 x86組合語言基礎 12 2.2.1 CPU寄存器 13 2.2.2 算術指令 14 2.2.3 資料傳送指令 15 2.3 使用peffile和capstone反彙編ircbot.exe 19 2.4 限制靜態分析的因素 21 2
.4.1 加殼 21 2.4.2 資源混淆 22 2.4.3 反彙編技術 22 2.4.4 動態下載資料 22 2.5 小結 23 第3章 動態分析簡介 24 3.1 為什麼使用動態分析 24 3.2 惡意軟體資料科學的動態分析 25 3.3 動態分析的基本工具 25 3.3.1 典型的惡意軟體行為 26 3.3.2 在malwr.com上載入檔 26 3.3.3 在malwr.com上分析結果 27 3.4 基本動態分析的局限 32 3.5 小結 32 第4章 利用惡意軟體網路識別攻擊活動 33 4.1 節點和邊 34 4.2 二分網路 35 4.3 惡意軟體網路視覺化 37 4.3.1
失真問題 37 4.3.2 力導向演算法 38 4.4 使用NetworkX構建網路 38 4.5 添加節點和邊 39 4.5.1 添加屬性 40 4.5.2 將網路保存到磁片 41 4.6 使用GraphViz實現網路視覺化 41 4.6.1 使用參數調整網路 42 4.6.2 GraphViz命令列工具 43 4.6.3 向節點和邊添加可視屬性 47 4.7 構建惡意軟體網路 50 4.8 構建共用圖像關係網絡 53 4.9 小結 57 第5章 共用代碼分析 58 5.1 通過特徵提取對樣本進行比較 61 5.1.1 特徵袋模型如何工作 61 5.1.2 N-gram 62 5.2 使
用Jaccard係數量化相似性 63 5.3 使用相似性矩陣評價惡意軟體共用代碼估計方法 65 5.3.1 基於指令序列的相似性 66 5.3.2 基於字串的相似性 68 5.3.3 基於導入位址表的相似性 69 5.3.4 基於API動態調用的相似性 70 5.4 構建相似圖 71 5.5 擴展相似性比較 76 5.5.1 minhash概述 77 5.5.2 minhash詳述 77 5.6 構建持續的惡意軟體相似性搜索系統 79 5.7 運行相似性搜索系統 84 5.8 小結 86 第6章 理解基於機器學習的惡意軟體檢測方法 87 6.1 基於機器學習的檢測引擎構建步驟 88 6.1.
1 收集訓練樣本 88 6.1.2 提取特徵 89 6.1.3 設計好的特徵 90 6.1.4 訓練機器學習系統 90 6.1.5 測試機器學習系統 91 6.2 理解特徵空間和決策邊界 91 6.3 是什麼決定了模型的好和壞：過擬合與欠擬合 96 6.4 機器學習演算法的主要類型 99 6.4.1 邏輯回歸 100 6.4.2 k近鄰演算法 103 6.4.3 決策樹 106 6.4.4 隨機森林 112 6.5 小結 114 第7章 評價惡意軟體檢測系統 115 7.1 四種可能的檢測結果 115 7.1.1 檢出率和誤報率 116 7.1.2 檢出率和誤報率之間的關係 117 7.1.
3 ROC曲線 118 7.2 在評價中考慮基準率 119 7.2.1 基準率如何影響精確度 120 7.2.2 在部署環境中評價精確度 120 7.3 小結 122 第8章 構建基於機器學習的檢測器 123 8.1 術語和概念 124 8.2 構建一個基於決策樹的檢測器雛形 125 8.2.1 訓練你的決策樹分類器 126 8.2.2 視覺化決策樹 127 8.2.3 完整的示例代碼 129 8.3 使用sklearn構建實際的機器學習檢測器 130 8.3.1 實際的特徵提取 130 8.3.2 為什麼不能使用所有可能的特徵 134 8.3.3 使用雜湊技巧壓縮特徵 134 8.4 構建
工業級的檢測器 138 8.4.1 特徵提取 138 8.4.2 訓練檢測器 139 8.4.3 運行檢測器檢測新的二進位檔案 141 8.4.4 至此我們實現了什麼 142 8.5 評價檢測器的性能 144 8.5.1 使用ROC曲線評價檢測器的功效 144 8.5.2 計算ROC曲線 144 8.5.3 將資料拆分為訓練集和測試集 146 8.5.4 計算ROC曲線 147 8.5.5 交叉驗證 148 8.6 下一步工作 151 8.7 小結 152 第9章 視覺化惡意軟體趨勢 153 9.1 為什麼視覺化惡意軟體資料很重要 153 9.2 理解我們的惡意軟體資料集 155 9.2.1
將數據載入到pandas中 156 9.2.2 使用pandas DataFrame 157 9.2.3 使用條件過濾資料 159 9.3 使用matplotlib視覺化資料 160 9.3.1 繪製惡意軟體大小和反病毒引擎檢測之間的關係 161 9.3.2 繪製勒索軟體檢出率 162 9.3.3 繪製勒索軟體和蠕蟲檢測率 163 9.4 使用seaborn視覺化資料 166 9.4.1 繪製反病毒引擎檢出的分佈圖 167 9.4.2 創建小提琴圖 170 9.5 小結 172 第10章 深度學習基礎 173 10.1 深度學習的定義 174 10.2 神經網路是如何工作的 175 10.
2.1 神經元剖析 175 10.2.2 神經元網路 178 10.2.3 通用近似定理 178 10.2.4 構建自己的神經網路 179 10.2.5 向網路中添加一個新的神經元 182 10.2.6 自動生成特徵 184 10.3 訓練神經網路 185 10.3.1 利用後向傳播優化神經網路 186 10.3.2 路徑爆炸 188 10.3.3 梯度消失 189 10.4 神經網路的類型 189 10.4.1 前饋神經網路 189 10.4.2 卷積神經網路 190 10.4.3 自編碼神經網路 191 10.4.4 生成式對抗網路 192 10.4.5 迴圈神經網路 192 10.4.6
殘差網路 193 10.5 小結 193 第11章 使用Keras構建神經網路惡意軟體檢測器 194 11.1 定義模型的架構 195 11.2 編譯模型 197 11.3 訓練模型 198 11.3.1 提取特徵 198 11.3.2 創建資料生成器 199 11.3.3 與驗證資料協作 203 11.3.4 保存和載入模型 204 11.4 模型評價 205 11.5 使用回檔強化模型訓練過程 206 11.5.1 使用內置回檔 207 11.5.2 使用自訂回呼函數 208 11.6 小結 210 第12章 成為資料科學家 211 12.1 成為安全資料科學家之路 211 12.2
安全資料科學家的一天 212 12.3 高效安全資料科學家的特徵 214 12.3.1 開放的心態 214 12.3.2 無窮的好奇心 214 12.3.3 對結果的癡迷 215 12.3.4 對結果的懷疑 215 12.4 未來的工作 215 附錄 資料集和工具概述 217
基於網路異常行為分析與機器學習技術之勒索病毒檢測
為了解決sophos公司 的問題，作者林韶如 這樣論述：
隨著網際網路越來越發達，電子商業、行動支付以及虛擬貨幣也日漸蓬勃發展，網路成為人們生活的日常，也因此駭客的攻擊方法與手段越趨成長，雖然目前許多資訊安全公司的防毒軟體可以提供基本的防護措施，但是當人們遭受攻擊，防毒軟體有可能阻擋不了攻擊，其中，勒索病毒更是近幾年興起的攻擊項目，駭客藉由入侵使用者電腦，將其電腦文件檔案進行加密，再以虛擬貨幣進行勒索，受害者為取回所屬文件資料以及確保資訊不被外流，因此依照駭客指示進行付款，為減少駭客攻擊的損害，現階段首要目標就是需要爭取應變時間。本論文乃基於勒索病毒對網路造成的異常特殊行為進行分析，提出「網路攻擊特徵值」與「關鍵檔名封包數量」兩項指標偵測勒索病毒，
用以分辨是否遭受勒索病毒感染，並以決策樹分類法、序列最小最優演算法及簡單羅吉斯特迴歸法之機器學習，分類不同勒索病毒。經由實驗600次以上發現，本文提出之兩個指標可有效偵測勒索病毒，並可區分不同勒索病毒種類，平均準確率最佳可達99.25%以上，證明本文提出之方法可有效偵測並分辨勒索病毒種類。
進階持續性攻擊-以中共網軍為例
為了解決sophos公司 的問題，作者陳鴻銘 這樣論述：
進階持續性威脅這一種針對特定組織進行有計畫性、組織性且慎密所執行複雜且多方位的網路攻擊行為，已經成為了現在網際網路上的重大資安威脅。此種網路攻擊模式首先會針對目標主機進行大量的情蒐，再找尋攻擊的目標、目標第三方合作廠商或中繼站跳板，藉由社交工程、病毒攻擊及滲透測試等方式建立連線，並且長時間的潛伏在企業內部主機，在使用者神不知鬼不覺的狀態之下，收集駭客組織想要的重要情資，在某一個時間點的時候將重要資訊打包進行回傳，最後清除攻擊軌跡，讓使用者完全無法查覺到任何的異常。然而對岸的中共網軍更是不斷對我國進行進階持續性威脅攻擊的元兇，讓我國成為進階持續性威脅威脅受害最嚴重也是最主要的地區。本論文為解決
我國產業免於受到進階持續性攻擊的網路攻擊威脅，進行研究探討，收集大量收集國內外各種不同中共網軍及駭客組織的APT攻擊事件，並依據美國洛克希德馬丁公司的網路攻擊狙殺鍊及資安矩陣框架，建立此論文的研究架構，再以內容分析法、層級分析法及實驗法三種研究方法進行分析。本研究首先應用進行文獻綜整，經由內容分析法分析出重要的危安因素，接續將危安因素轉換成專家問卷。並且經由政府機關、學術單位及民間企業的資安專家來實施問卷訪談，在問卷回收後進行層級分析法分析，透過一致性的檢定來分析出問卷裡面的重要權重因素。最終，建置電腦教室實驗環境，來針對重要的權重因素驗證，並依據將實驗的研究結果，依據EC-Council國際
電子商務顧問國際委員會所製定之滲透測試報告為範本，編寫資安報告，以供我國各企業參閱，作為其先行預防內部網站的漏洞，進而建立防護措施，嚴防進階持續性攻擊事件持續在我國數位領土上發生，確保我國資安安全。