Malware Data Science

در کتاب Malware Data Science، جاشوا ساکس (Joshua Saxe)، دانشمند داده در حوزه امنیت سایبری، به بررسی روش‌های علمی و عملی برای تحلیل و شناسایی بدافزارها با استفاده از یادگیری ماشین، تحلیل آماری، شبکه‌های اجتماعی و مصورسازی داده‌ها می‌پردازد. این کتاب با رویکردی مبتنی بر داده‌های بزرگ، به خواننده می‌آموزد که چگونه با استفاده از ابزارهای علوم داده، تهدیدات سایبری پیچیده امروزی را شناسایی و تحلیل کند.

نکات کلیدی کتاب:

• تحلیل ایستا (Static Analysis): بررسی کد بدافزار بدون اجرای آن.
• تحلیل پویا (Dynamic Analysis): مشاهده رفتار اجرایی بدافزار در محیط کنترل‌شده.
• تحلیل کد مشترک (Shared Code Analysis): شناسایی گروه‌های مهاجم با بررسی کدهای مشابه میان نمونه‌های مختلف بدافزار.
• شناسایی آسیب‌پذیری‌های روز صفر (0-day): ساخت دتکتورهای یادگیری ماشینی برای کشف تهدیدات ناشناخته.
• ارزیابی دقت سیستم‌های تشخیص بدافزار: استفاده از معیارهای آماری برای بررسی عملکرد مدل‌ها.
• مصورسازی داده‌های امنیتی: یافتن کمپین‌ها، روندها و ارتباطات میان نمونه‌های بدافزار از طریق گراف و نمودارهای پیشرفته.

مناسب برای:

• تحلیلگران امنیتی و بدافزار: برای افزودن توانایی تحلیل مبتنی بر داده به ابزارهای موجود.
• دانشمندان داده: برای ورود به حوزه تحلیل تهدیدات و تشخیص حملات سایبری.

این کتاب پلی بین امنیت اطلاعات و علم داده است و به شما کمک می‌کند تا با نگاهی تحلیلی‌تر و مبتنی بر داده، در برابر تهدیدات پیشرفته روزافزون ایستادگی کنید.

Malware Data Science explains how to identify, analyze, and classify large-scale malware using machine learning and data visualization.

Security has become a “big data” problem. The growth rate of malware has accelerated to tens of millions of new files per year while our networks generate an ever-larger flood of security-relevant data each day. In order to defend against these advanced attacks, you’ll need to know how to think like a data scientist.

In Malware Data Science, security data scientist Joshua Saxe introduces machine learning, statistics, social network analysis, and data visualization, and shows you how to apply these methods to malware detection and analysis.

You’ll learn how to:

• Analyze malware using static analysis
• Observe malware behavior using dynamic analysis
• Identify adversary groups through shared code analysis
• Catch 0-day vulnerabilities by building your own machine learning detector
• Measure malware detector accuracy
• Identify malware campaigns, trends, and relationships through data visualization

Whether you’re a malware analyst looking to add skills to your existing arsenal, or a data scientist interested in attack detection and threat intelligence, Malware Data Science will help you stay ahead of the curve.

Table of Contents

Chapter 1: Basic Static Malware Analysis  

Chapter 2: Beyond Basic Static Analysis: x86 Disassembly  

Chapter 3: A Brief Introduction to Dynamic Analysis  

Chapter 4: Identifying Attack Campaigns Using Malware Networks  

Chapter 5: Shared Code Analysis  

Chapter 6: Understanding Machine Learning–Based Malware Detectors  

Chapter 7: Evaluating Malware Detection Systems  

Chapter 8: Building Machine Learning Detectors  

Chapter 9: Visualizing Malware Trends  

Chapter 10: Deep Learning Basics  

Chapter 11: Building a Neural Network Malware Detector with Keras  

Chapter 12: Becoming a Data Scientist

Review

“For those looking to become a security data scientist, or just want to get a comprehensive understanding of how to use data science to deal with malicious software, Malware Data Science is a superb reference.” 

—Ben Rothke, RSA Conference

“If you are new to data science or machine learning, this book provides an excellent introduction to these topics.”

—DMFR Security

About the Author

Joshua Saxe is Chief Data Scientist at major security vendor, Sophos, where he leads a security data science research team. He’s also a principal inventor of Sophos’ neural network-based malware detector, which defends tens of millions of Sophos customers from malware infections. Before joining Sophos, Joshua spent 5 years leading DARPA funded security data research projects for the US government.

Hillary Sanders leads the infrastructure data science team at Sophos, which develops the frameworks used to build Sophos’ deep learning models. Before joining Sophos, Hillary created a recipe web app and spent three years as a data scientist at Premise Data Corporation.