Skip to content
KitploitKITPLOIT
HerramientasBlog
Enviar
HerramientasBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

··Feeds·Contacto·Privacidad·© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
Herramientas/GitHubGitHub/cyberforce/pesidious
Generación de PayloadsExplotaciónAnálisis de MalwareAprendizaje AutomáticoSeguridad de IAAtaque Adversario
GitHubcyberforce/pesidious

Pesidious

Mutación de malware mediante aprendizaje por refuerzo y redes generativas adversariales

Ver Repositorio
175368hace 5 añosRevisado por Kitploit

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →
Compartir

Logo

Mutación de Malware usando Aprendizaje por Refuerzo Profundo y GANs

El propósito de la herramienta es usar inteligencia artificial para mutar una muestra de malware (solo PE32) para evadir clasificadores impulsados por IA mientras se mantiene su funcionalidad intacta. En el pasado, se ha realizado un trabajo notable en este dominio con investigadores que utilizan el aprendizaje por refuerzo o las redes generativas adversariales como armas de elección para modificar los estados de un ejecutable de malware con el fin de engañar a los agentes antivirus. Nuestra solución utiliza una combinación de aprendizaje por refuerzo profundo y GANs para superar algunas de las limitaciones que se enfrentan al usar estos enfoques de forma independiente, como se muestra a continuación.

Diagram

Encuentra nuestra documentación completa para la herramienta aquí

Instrucciones de Instalación

⚠️ Dado que esta herramienta maneja archivos de malware, se recomienda encarecidamente usar una máquina virtual. Después de la instalación de la herramienta, asegúrate de desconectarte de la red.

Los siguientes pasos te guiarán a través de todas las instalaciones necesarias para configurar el entorno.

  1. Instala y configura Python 3.6.

  2. Clona el repositorio.

    root@kitploit:~
git clone https://github.com/CyberForce/Pesidious

  • Muévete al directorio del proyecto.

    root@kitploit:~
    cd Pesidious

  • Configura y activa un entorno virtual con Python 3.6

    Se recomienda usar un entorno virtual para evitar conflictos entre paquetes utilizados por diferentes aplicaciones.

  • Asegúrate de tener pip 8.1.1 instalado y configurado.

    Esto se debe a que las versiones posteriores de pip no funcionan bien con la biblioteca PyTorch.

    root@kitploit:~
    pip install pip==8.1.1

  • Instala todas las bibliotecas requeridas, instalando el archivo requirements.txt.

    root@kitploit:~
    pip install -r pip_requirements/requirements.txt

    • Muta tu Malware

    La salida de la GAN ya ha sido almacenada como (RL_Features/adverarial_imports_set.pk y RL_Features/adverarial_sections_set.pk) que se usarán para agregar importaciones y secciones al malware para la mutación.

    1. Puedes probar el clasificador de muestras para puntuar archivos de malware.

      root@kitploit:~
      python classifier.py -d /path/to/directory/with/malware/files

    2. Ejecuta el script de Python mutate.py para mutar tus muestras de malware.

      root@kitploit:~
      python mutate.py -d /path/to/directory/with/malware/files

    3. Los archivos de malware mutados se almacenarán en un directorio llamado Mutated_malware en el siguiente formato

      root@kitploit:~
      Mutated_malware/mutated_<name-of-the-file>

    4. Una vez que los archivos de malware estén mutados, puedes ejecutar el clasificador nuevamente para puntuar el malware mutado.

      root@kitploit:~
      python classifier.py -d Mutated_malware/

    Problemas Conocidos y Soluciones

    ⚠️ ADVERTENCIA: Esta sección está actualmente en construcción. Nos disculpamos por cualquier inconveniente causado. Por favor, continúa a la siguiente sección. haz clic aquí

    1. pip install -r requirements.txt te da un error. Solución:

      root@kitploit:~
      pip install tqdm
pip install sklearn
pip install lief

    2. Error ModuleNotFoundError: No module named 'tensorboardX' al ejecutar el script python main_malgan.py. Solución:

      root@kitploit:~
      pip install tensorboardX

    3. Error con la ejecución de import-append, section-append (no encontrado) Solución Dale permiso de ejecución a estos ejecutables usando los siguientes comandos en tu terminal

      root@kitploit:~
      cd portable-executable/
chmod 777 project-add-sections/bin/Debug/project-append-section
chmod 777 project-add-imports/bin/Debug/project-append-imports

    Construido Con

    • PyTorch - Biblioteca de aprendizaje automático de código abierto basada en la biblioteca Torch.
    • Lief - Una biblioteca multiplataforma que puede analizar, modificar y abstraer formatos ELF, PE y MachO.
    • PE Bliss - Biblioteca PE para reconstruir archivos PE, escrita en C++.
    • Gym-Malware - Entorno de manipulación de malware para el gym de OpenAI.
    • MalwareGAN - Generación Adversarial de Malware usando GANs.

    Autores

    • Chandni Vaya - Respuesta a Incidentes X-Force, IBM Security - Github
    • Bedang Sen - Respuesta a Incidentes X-Force, IBM Security - Github

    Agradecimientos

    • Entorno de Gym-Malware: https://github.com/endgameinc/gym-malware. El entorno fue modificado para agregar GAN y las mutaciones fueron añadidas/cambiadas/eliminadas para mejorar la capacidad de evasión del malware y mantener la funcionalidad.
    • El trabajo de Yanming Lai (https://github.com/yanminglai/Malware-GAN) y Zayd Hammoudeh (https://github.com/ZaydH/MalwareGAN) sobre la implementación del MalGAN de Han y Tan jugó un papel crucial en nuestra comprensión de la arquitectura. La mayor parte de la implementación del MalGAN utilizado en este proyecto ha sido bifurcada del trabajo de Hammoudeh.

    Referencias

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

    Docs.microsoft.com. (s.f.). PE Format - Windows applications. [en línea] Disponible en: https://docs.microsoft.com/en-us/windows/win32/debug/pe-format#general-concepts.

    Fang, Z., Wang, J., Li, B., Wu, S., Zhou, Y. y Huang, H. (2019). Evading Anti-Malware Engines With Deep Reinforcement Learning. [en línea] Ieeexplore.ieee.org. Disponible en: https://ieeexplore.ieee.org/abstract/document/8676031 [Consultado el 25 de agosto de 2019].

    https://resources.infosecinstitute.com. (2019). Malware Researcher’s Handbook (Demystifying PE File). [en línea] Disponible en: https://resources.infosecinstitute.com/2-malware-researchers-handbook-demystifying-pe-file/#gref.

    Hu, W. y Tan, Y. (2018). Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN. [en línea] arXiv.org. Disponible en: https://arxiv.org/abs/1702.05983.

    Descargar herramienta