首页
社区
课程
招聘
[原创]python_mmdt:KNN机器学习分类结果测试分析(五)
2022-1-24 14:45 26474

[原创]python_mmdt:KNN机器学习分类结果测试分析(五)

2022-1-24 14:45
26474

概述

评估结论

  1. KNN模型共计632253条mmdthash,覆盖1150个恶意家族标签
  2. 基于KNN模型的多分类结果,准确率ACC达到80%以上,召回率REC达到60%以上
  3. 相似度判定阈值可按0.95划分:相似度不低于0.95,判定结果极大可信(精确率PRE达到100%);低于0.95的结果可信度逐步降低
  4. 相似度阈值设定为0.95时,KNN模型没有发现误报

项目信息

KNN模型结果分析

基本信息

  • KNN模型信息:共计632253条mmdthash记录,覆盖1150个恶意家族标签,其中二进制文件占比超90%。
  • 测试文件集信息:任意挑选200个黑文件(不在KNN模型中)和200个白文件,共计400个,95%以上为二进制文件。其中200个黑文件覆盖58个恶意家族,加上1个干净文件家族,共计59个家族分类。
  • 测试方法说明:使用400个测试文件,通过web(http://146.56.242.184/mmdt/scan )接口,获取KNN模型给出的最相似样本及信息,结合相似度判定(阈值判定),对比预测标签与实际标签,统计准确率ACC精确率PRE召回率REC,从而判定基于mmdthash的KNN模型的效果。

KNN模型信息

  • KNN模型名称: mmdt_feature_20220120.data
  • KNN模型大小:23M
  • mmdthash特征数量: 632253条
  • 恶意家族数量:1150个

KNN模型家族Top10列表

恶意家族标签 恶意样本数量 恶意样本占比
virlock 169631 26.83%
botnet 168238 26.61%
gandcrab 76101 12.04%
wabot 47340 7.49%
pluto 28554 4.52%
coinminer 19226 3.04%
autorun 17681 2.80%
virut 8012 1.27%
gandcrypt 7210 1.14%
upatre 6717 1.06%
总计 548710 86.79%

测试文件集信息

  • 测试数据集名称:mmdt_feature_test_400.data
  • 测试集文件大小:21K
  • 测试数据集下载地址: download
  • mmdthash特征数量: 400
  • 分类家族数量:59

测试集家族Top10列表

家族标签 样本数量 样本占比
clean 200 50.00%
gandcrypt 14 3.50%
upatre 13 3.25%
ipamor 11 2.75%
wabot 11 2.75%
pluto 9 2.25%
autoit 9 2.25%
virut 8 2.00%
allaple 8 2.00%
sytro 6 1.50%
总计 289 72.25%

测试方法

  1. 使用python_mmdt库,编码对400个文件进行mmdthash计算,生成测试数据集mmdt_feature_test_400.data
  2. 使用python_mmdt库,编码请求web服务,对400条测试数据集进行KNN模型分类;
  3. 统计KNN模型分类结果,统计维度为TPTNFPFN,计算维度包括准确率ACC精确率PRE召回率REC
    • TP表示实际标签为真(恶意),预测标签为真(恶意)的数目
    • TN表示实际标签为假(干净),预测标签为假(干净)的数目
    • FP表示实际标签为假(干净),预测标签为真(恶意)的数目
    • FN表示实际标签为真(恶意),预测标签为假(干净)的数目
    • 准确率ACC表示所有预测标签正确的数量占比(可以理解为KNN模型的检出率),计算公式为:ACC = (TP + TN)/(TP + TN + FP + FN)
    • 精确率PRE表示所有实际为真(恶意)的数量在预测为真(恶意)的占比(可以理解为KNN模型对检测的恶意样本的结果可信度),计算公式为:PRE = TP/(TP + FP)
    • 召回率REC表示所有预测为真(恶意)的数量在实际为真(恶意)的占比(可以理解为KNN模型对恶意样本的检出覆盖能力),计算公式为:REC = TP/(TP + FN)

判定依据:

  1. 准确率ACC衡量了分类器的效果,准确率ACC越高,分类器效果越好;
  2. 精确率PRE衡量了分类器对真例(恶意)的检出正确率,精确率PRE越高,对真例(恶意)的检出正确率越高,模型可信度越高;
  3. 召回率REC衡量了分类器对真例(恶意)的检出查全率,召回率REC越高,对真例(恶意)的检出查全率越高,模型检出覆盖能力越高。

特别说明:

  1. 本次统计测试中,相似度取两个阈值进行对比,大于0.95(和0.90),则才判定为真(恶意);否则判定为假(干净)。
  2. KNN模型、测试文件集都是多标签的,在实际使用中等价于多分类,所以本次统计测试中,在判定为恶意的前提下,还需要预测标签与实际标签一致,才可判定为TP。此种情况下统计出的准确率、精确率、召回率等会低于二分类(非白即黑)的统计情况。

测试代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
# -*- coding: utf-8 -*-
import sys
import requests
from python_mmdt.mmdt.common import mmdt_load
 
# 相似度判定阈值,阈值取两个,0.95和0.90
dlt = 0.95
 
def mmdt_scan_online_check():
    file_name = sys.argv[1]
    # 加载测试数据
    features = mmdt_load(file_name)
    # 4个指标项
    TP = 0
    TN = 0
    FP = 0
    FN = 0
    count = 0
    print('检测结果,文件md5,真实标签,相似文件,预测标签,相似度')
    for feature in features:
        count += 1
        tmp = feature.strip().split(":")
        file_mmdt = ':'.join(tmp[:2])
        tag = tmp[2]
        file_sha1 = tmp[3]
        data = {
            "md5": file_sha1,
            "sha1": file_sha1,
            "file_name": file_sha1,
            "mmdt": file_mmdt,
            "data": {}
        }
        r = requests.post(url='http://146.56.242.184/mmdt/scan', json=data)
        r_data = r.json()
        if r_data.get('status', 0) == 20001:
            status = r_data.get('status', 0)
            message = r_data.get('message', '')
            print('文件md5: %s, 状态码: %d, 提交信息: %s' % (file_sha1, status, message))
        else:
            label = r_data.get('data', {}).get('label', 'unknown')
            sim_hash = r_data.get('data', {}).get('similars', [])[0].get('hash', 'None')
            sim = r_data.get('data', {}).get('similars', [])[0].get('sim', 0.0)
            check_result = ''
            # 统计隐藏条件,实际标签与预测标签一致,才可判定为TP,记为正确分类
            if tag == label and sim > dlt:
                TP += 1
                check_result = '正确'
            elif tag == 'clean' and sim > dlt:
                FP += 1
                check_result = '错误'
            elif tag == 'clean' and sim <= dlt:
                TN += 1
                check_result = '正确'
            else:
                FN += 1
                check_result = '错误'
            print('%s,%s,%s,%s,%s,%.5f' % (check_result, file_sha1, tag, sim_hash, label, sim))
        if count >= 500:
            break
    print('测试mmdthash总数:%d' % count)
    print('检测正确总数:%d' % (TP + TN))
    print('检测错误总数:%d' % (FP + FN))
    print('检测TP总数:%d' % TP)
    print('检测TN总数:%d' % TN)
    print('检测FP总数:%d' % FP)
    print('检测FN总数:%d' % FN)
    print('检测准确率ACC:%.3f' % ((TP + TN)/(TP + TN + FP + FN)))
    print('检测精确率PRE:%.3f' % (TP/(TP + FP)))
    print('检测召回率REC:%.3f' % (TP/(TP + FN)))
 
 
def main():
    mmdt_scan_online_check()
 
 
if __name__ == '__main__':
    main()

测试结果如下

指标名称 0.95指标 0.90指标
mmdthash总数 400 400
检测正确总数 327 326
检测错误总数 73 74
TP 127 137
TN 200 189
FP 0 11
FN 73 63
准确率ACC 0.818 0.815
精确率PRE 1.000 0.923
召回率REC 0.635 0.685
 

结论如下:

  • KNN模型检测的准确率ACC高于80%,召回率REC高于60%
  • 0.95指标下的准确率ACC比0.90指标下的准确率ACC提升了3.68‰,准确率ACC达到81.8%
  • 0.95指标下的精确率PRE比0.90指标下的精确率PRE提升了83.42‰,精确率PRE达到100%
  • 0.95指标下的召回率REC比0.90指标下的召回率REC降低了72.99‰,召回率REC达到63.5%
  • 0.95指标下,没有发现存在误报(FP=0)
  • 综合衡量,0.95可设定为初始判定阈值:不低于0.95的判定结果可初步判定为可信;低于0.95的判定结果可初步判定为不可信

分类错误样本抽样分析

0.95错误样本抽样分析

  • 相似度等于1的错误:gandcryptgandcrab属于同一个恶意家族的不同名称,相似度等于1的此类检测结果正确
  • 相似度大于0.99,小于1的错误:由于agent样本的标签错误导致,通过VT查询,agent样本实际也为klez,检测结果正确
  • 相似度大于0.95,小于0.99的错误:两个文件差异很大,mmdthash问题,确认检测结果错误。

0.90错误样本抽样分析

  • 相似度大于0.95的错误:同0.95阈值的分类错误
  • 相似度大于0.94,小于0.95的错误:检测结果确认全部错误,如将UPX壳的文件和Delphi编译文件关联,将NSIS文件和word文件关联,将PE文件和excel文件关联
  • 相似度低于0.94的错误:绝大部分检出错误,错误原因很多,包含部分少量正确结果

备注

  1. 后续可以扩展KNN模型中的mmdthash数量,再进行测试
  2. 在分析检测测试结果时,发现某些特定家族或者特定时期的样本,计算得到的mmdthash并没有差异,从而导致KNN得出的最相似样本几乎是固定不变的。在这种情况下,可以考虑对基础库数据进行过滤,减少数量,减小体积,优化查询速度以及减少内存占用等。

[CTF入门培训]顶尖高校博士及硕士团队亲授《30小时教你玩转CTF》,视频+靶场+题目!助力进入CTF世界

最后于 2022-1-24 14:46 被大大薇薇编辑 ,原因: 增加测试数据
上传的附件:
收藏
点赞2
打赏
分享
最新回复 (6)
雪    币: 3525
活跃值: (3632)
能力值: ( LV2,RANK:10 )
在线值:
发帖
回帖
粉丝
caolinkai 2022-1-24 15:41
2
0
支持下,
雪    币: 1887
活跃值: (2730)
能力值: ( LV7,RANK:100 )
在线值:
发帖
回帖
粉丝
大大薇薇 1 2022-1-25 09:54
3
0
caolinkai 支持下,
感谢感谢,动力+1
雪    币: 2093
活跃值: (1820)
能力值: ( LV5,RANK:70 )
在线值:
发帖
回帖
粉丝
洪七公. 2022-1-27 13:53
4
1
辛苦 支持下
雪    币: 791
活跃值: (404)
能力值: ( LV4,RANK:51 )
在线值:
发帖
回帖
粉丝
gxkyrftx 2022-1-27 15:17
5
0
换个数据集效果咋样,或者改变一下白样本和黑样本的比例。我以前做dl应用的时候,感觉,哈哈哈哈,跟玄学一样,只在一个数据集上有效
雪    币: 1887
活跃值: (2730)
能力值: ( LV7,RANK:100 )
在线值:
发帖
回帖
粉丝
大大薇薇 1 2022-1-28 12:41
6
0
洪七公. 辛苦 支持下
Thx,动力+1
雪    币: 1887
活跃值: (2730)
能力值: ( LV7,RANK:100 )
在线值:
发帖
回帖
粉丝
大大薇薇 1 2022-1-28 12:41
7
0
gxkyrftx 换个数据集效果咋样,或者改变一下白样本和黑样本的比例。我以前做dl应用的时候,感觉,哈哈哈哈,跟玄学一样,只在一个数据集上有效
嗯,准备先处理下数据集,再多测试几次试试。
游客
登录 | 注册 方可回帖
返回