Skip to content
KitploitKITPLOIT
أدواتعمليات الاستغلالالمدونة
Log in
إرسال
أدواتعمليات الاستغلالالمدونة
إرسال

أدوات الاختراق واختبار الاختراق والأمن السيبراني لترسانتك الأمنية!

Kitploit هو دليل لأدوات الاختراق والأمن السيبراني واختبار الاختراق. اكتشف آخر تحديثات المشاريع للعثور على الثغرات وتحليل الأنظمة وأتمتة الاختبارات وتعزيز أمنك.

الخلاصاتاتصالالخصوصية© 2026 Kitploit

دليل الأدوات

الفئات

عرض جميع الفئات
Loading categories
Pesidious — تحور البرامج الضارة باستخدام التعلم المعزز والشبكات التوليدية التنافسية | Kitploit
أدوات/GitHubGitHub/cyberforce/pesidious
توليد الحمولةالاستغلالتحليل البرمجيات الخبيثةتعلم الآلةأمن الذكاء الاصطناعيالهجوم العدائي
GitHubcyberforce/pesidious

Pesidious

تحور البرامج الضارة باستخدام التعلم المعزز والشبكات التوليدية التنافسية

عرض المستودع
1753655منذ 6 سنواتتمت المراجعة من قبل Kitploit
مشاركة

Logo

تحوير البرمجيات الخبيثة باستخدام التعلم المعزز العميق والشبكات التنافسية التوليدية

الغرض من هذه الأداة هو استخدام الذكاء الاصطناعي لتحوير عينة من البرمجيات الخبيثة (PE32 فقط) لتجاوز المصنفات المدعومة بالذكاء الاصطناعي مع الحفاظ على وظائفها سليمة. في الماضي، تم إجراء أعمال بارزة في هذا المجال، حيث نظر الباحثون إما إلى التعلم المعزز أو الشبكات التنافسية التوليدية كأسلحتهم المفضلة لتعديل حالات برمجية خبيثة قابلة للتنفيذ بهدف خداع وكلاء مكافحة الفيروسات. يستخدم حلنا مزيجًا من التعلم المعزز العميق والشبكات التنافسية التوليدية للتغلب على بعض القيود التي نواجهها عند استخدام هذه الأساليب بشكل مستقل كما هو موضح أدناه.

Diagram

ابحث عن وثائقنا الكاملة للأداة هنا

تعليمات التثبيت

⚠️ نظرًا لأن هذه الأداة تتعامل مع ملفات البرمجيات الخبيثة، فمن المستحسن بشدة استخدام آلة افتراضية. بعد تثبيت الأداة، تأكد من قطع الاتصال بالشبكة.

سترشدك الخطوات التالية خلال جميع التثبيتات المطلوبة لإعداد البيئة.

  1. تثبيت وإعداد Python 3.6.

  2. استنساخ المستودع.

    git clone https://github.com/CyberForce/Pesidious
    
  3. الانتقال إلى دليل المشروع.

    cd Pesidious
    
  4. إعداد وتفعيل بيئة افتراضية باستخدام Python 3.6

    يوصى باستخدام بيئة افتراضية لتجنب التعارضات بين الحزم المستخدمة بواسطة تطبيقات مختلفة

  5. تأكد من تثبيت وإعداد pip 8.1.1.

    وذلك لأن الإصدارات الأحدث من pip لا تتوافق جيدًا مع مكتبة PyTorch.

    pip install pip==8.1.1
    
  6. تثبيت جميع المكتبات المطلوبة، عن طريق تثبيت ملف requirements.txt.

    pip install -r pip_requirements/requirements.txt
    

تحوير البرمجيات الخبيثة الخاصة بك

تم بالفعل تخزين مخرجات GAN كـ (RL_Features/adverarial_imports_set.pk و RL_Features/adverarial_sections_set.pk) والتي ستستخدم عند إضافة الواردات والأقسام إلى البرمجية الخبيثة للتحوير.

  1. يمكنك اختبار المصنف النموذجي لتقييم ملفات البرمجيات الخبيثة.

    python classifier.py -d /path/to/directory/with/malware/files
    
  2. قم بتشغيل سكريبت mutate.py لتحوير عينات البرمجيات الخبيثة الخاصة بك.

    python mutate.py -d /path/to/directory/with/malware/files
    
  3. سيتم تخزين ملفات البرمجيات الخبيثة المحورة في دليل يسمى Mutated_malware بالتنسيق التالي

    Mutated_malware/mutated_<name-of-the-file>
    
  4. بمجرد تحوير ملفات البرمجيات الخبيثة، يمكنك تشغيل المصنف مرة أخرى لتقييم البرمجيات الخبيثة المحورة.

    python classifier.py -d Mutated_malware/
    

المشكلات المعروفة والإصلاحات

⚠️ تحذير: هذا القسم قيد الإنشاء حاليًا. نعتذر عن أي إزعاج. يرجى الانتقال إلى القسم التالي. انقر هنا

  1. يعطيك pip install -r requirements.txt خطأ.

    الحل:

    pip install tqdm
    pip install sklearn
    pip install lief
    
  2. خطأ ModuleNotFoundError: No module named 'tensorboardX' أثناء تشغيل سكريبت python main_malgan.py.

    الحل:

    pip install tensorboardX
    
  3. خطأ في تنفيذ import-append, section-append (غير موجود)

    الحل: امنح أذونات التنفيذ لهذه الملفات القابلة للتنفيذ باستخدام الأوامر التالية في الطرفية الخاصة بك.

    cd portable-executable/
    chmod 777 project-add-sections/bin/Debug/project-append-section
    chmod 777 project-add-imports/bin/Debug/project-append-imports
    
    

بني باستخدام

  • PyTorch - مكتبة تعلم آلة مفتوحة المصدر مبنية على مكتبة Torch.
  • Lief - مكتبة عبر المنصات يمكنها تحليل وتعديل وتجريد تنسيقات ELF و PE و MachO.
  • PE Bliss - مكتبة PE لإعادة بناء ملفات PE، مكتوبة بلغة C++.
  • Gym-Malware - بيئة معالجة البرمجيات الخبيثة لـ OpenAI's gym.
  • MalwareGAN - توليد البرمجيات الخبيثة التنافسية باستخدام GANs.

المؤلفون

  • Chandni Vaya - استجابة الحوادث X-Force، IBM Security - Github
  • Bedang Sen - استجابة الحوادث X-Force، IBM Security - Github

الإقرارات

  • بيئة Gym-Malware: https://github.com/endgameinc/gym-malware. تم تعديل البيئة لإضافة GAN وتمت إضافة/تغيير/إزالة التحويرات لتحسين قدرة البرمجيات الخبيثة على التخفي والحفاظ على الوظائف.
  • عمل Yanming Lai (https://github.com/yanminglai/Malware-GAN) و Zayd Hammoudeh (https://github.com/ZaydH/MalwareGAN) على تنفيذ MalGAN الخاص بـ Han و Tan لعب دورًا حاسمًا في فهمنا للهندسة المعمارية. تم استنساخ معظم تنفيذ MalGAN المستخدم في هذا المشروع من عمل Hammoudeh.

المراجع

Anderson, H., Kharkar, A., Filar, B., Evans, D. and Roth, P. (2018). Learning to Evade Static PE Machine Learning Malware Models via Reinforcement Learning. [متاح على الإنترنت] arXiv.org. متاح على: https://arxiv.org/abs/1801.08917.

Docs.microsoft.com. (بدون تاريخ). PE Format - تطبيقات Windows. [متاح على الإنترنت] متاح على: https://docs.microsoft.com/en-us/windows/win32/debug/pe-format#general-concepts.

Fang, Z., Wang, J., Li, B., Wu, S., Zhou, Y. and Huang, H. (2019). Evading Anti-Malware Engines With Deep Reinforcement Learning. [متاح على الإنترنت] Ieeexplore.ieee.org. متاح على: https://ieeexplore.ieee.org/abstract/document/8676031 [تم الوصول في 25 أغسطس 2019].

https://resources.infosecinstitute.com. (2019).

Malware Researcher’s Handbook (Demystifying PE File). [متاح على الإنترنت] متاح على: https://resources.infosecinstitute.com/2-malware-researchers-handbook-demystifying-pe-file/#gref.

Hu, W. and Tan, Y. (2018). Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN. [متاح على الإنترنت] arXiv.org. متاح على: https://arxiv.org/abs/1702.05983.

تنزيل الأداة

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 مجموعة أدوات OSINT المثالية: رسم بياني للتحقيق، وتقييم الثقة، وعائلات الأسماء المستعارة، وخريطة، وخط زمني، وتقارير. 49 وحدة، وأكثر من 400 موقع، دون الحاجة إلى مفاتيح API.

    717
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # تطبيق GhostLock للتنفيذ بنقرة واحدة (CVE-2026-43499)

    504
  • 3

    ARTEX

    baarai/artex

    منصة اختبار اختراق مستقلة متعددة الوكلاء تعتمد على LLM، مع وكلاء تخطيط وتنفيذ، ومخططات للأصول والاستكشاف، وتسجيل حركة مرور MITM، وإعادة اختبار الثغرات.

    402
  • 4

    redforge

    cybersecurity91/redforge

    مجموعة أدوات الفريق الأحمر في المتصفح مع 102 أداة دون اتصال للاستطلاع، وتوليد الحمولات، وهجمات بيانات الاعتماد، والتشفير، والترميز، وإعداد تقارير المهام.

    342
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    نظام العمل للأمن السيبراني الأصلي بالذكاء الاصطناعي — حيث تتحول النية إلى تنفيذ محكوم، وتصبح الأدلة ذاكرة تشغيلية، وكل عملية تحسن التي تليها.

    260
  • 6

    antifox

    antifox-ai/antifox

    منصة اختبار اختراق متعددة الوكلاء ذاتية التشغيل بالذكاء الاصطناعي تُجري الاستطلاع واكتشاف سطح الهجوم والتحقق من الاستغلال وتسليم تقارير مدعومة بالأدلة.

    259

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →