Merancang Pipeline Klasifikasi Malware dengan Fitur Statis dan Dinamis

Membangun pipeline klasifikasi malware yang andal dalam produksi lebih merupakan masalah desain daripada masalah pengkodean. Fitur yang Anda pilih, cara Anda mengumpulkan dan memberi label sampel, pemisahan data uji dan latih yang cermat, serta rutinitas evaluasi semuanya membentuk apakah sistem memberikan nilai atau gagal secara diam-diam. Kursus ini membahas keputusan-keputusan tersebut sesuai urutan kemunculannya. Anda akan mengerjakan latihan desain tertulis yang mencerminkan bagaimana tim keamanan atau riset kecil akan merencanakan pipeline klasifikasi. Penekanannya adalah pada trade-off praktis yang menentukan apakah suatu sistem berguna dalam operasi. Apa yang akan Anda pelajari: - Merencanakan strategi pengumpulan sampel yang mencakup contoh jinak dan berbahaya di berbagai keluarga dan usia - Merancang rutinitas pelabelan yang menghasilkan ground truth yang dapat dipercaya tanpa penalaran melingkar - Mengekstrak fitur statis seperti impor, string, dan metadata struktural secara tangguh - Menangkap perilaku dinamis termasuk urutan panggilan API, aktivitas jaringan, dan operasi file dalam sandbox yang aman - Membandingkan pendekatan pemodelan termasuk metode klasik, gradient boosting, dan deep learning modern - Mengevaluasi kinerja dengan metrik yang bermakna secara operasional termasuk tingkat positif palsu dan jeda deteksi Kursus ini berkembang dari pengumpulan dan pelabelan sampel melalui ekstraksi fitur, pemodelan, dan evaluasi. Latihan desain tertulis capstone meminta Anda untuk menyusun desain satu halaman untuk pipeline klasifikasi yang ditargetkan pada skenario ancaman tertentu. Kursus ini dirancang untuk pemula dengan latar belakang perangkat lunak atau keamanan, termasuk analis keamanan junior, peneliti ancaman, dan mahasiswa ilmu komputer. Tidak diperlukan pengalaman malware mendalam. Kursus ini memperlakukan pipeline sebagai masalah desain dan bersifat informasional, bukan panduan untuk menangani sampel langsung tanpa kontrol yang tepat.