Skip to content
KitploitKITPLOIT
उपकरणएक्सप्लॉइटब्लॉग
Log in
जमा करें
उपकरणएक्सप्लॉइटब्लॉग
जमा करें

हैकिंग, पेनटेस्ट और साइबर सुरक्षा उपकरण आपके सुरक्षा शस्त्रागार के लिए!

Kitploit हैकिंग, साइबर सुरक्षा और पेंटेस्टिंग टूल्स की एक निर्देशिका है। कमजोरियों को खोजने, सिस्टम का विश्लेषण करने, परीक्षण को स्वचालित करने और अपनी सुरक्षा को मजबूत करने के लिए नवीनतम प्रोजेक्ट अपडेट खोजें।

फ़ीडसंपर्कगोपनीयता© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
FreeMOCA — मैलवेयर वर्गीकरण के लिए मोड कनेक्टिविटी-आधारित इंटरपोलेशन का उपयोग करने वाला मेमोरी-मुक्त सतत शिक्षण ढांचा। EMBER और Androzoo डेटासेट पर क्लास-इंक्रीमेंटल और डोमेन-इंक्रीमेंटल परिदृश्यों का समर्थन करता है। | Kitploit
उपकरण/GitHubGitHub/iqsec-lab/freemoca
एंड्रॉइड सुरक्षास्थैतिक विश्लेषणमालवेयर विश्लेषणमशीन लर्निंगपेपर और शोधलर्निंग और शिक्षा
GitHubiqsec-lab/freemoca

FreeMOCA

मैलवेयर वर्गीकरण के लिए मोड कनेक्टिविटी-आधारित इंटरपोलेशन का उपयोग करने वाला मेमोरी-मुक्त सतत शिक्षण ढांचा। EMBER और Androzoo डेटासेट पर क्लास-इंक्रीमेंटल और डोमेन-इंक्रीमेंटल परिदृश्यों का समर्थन करता है।

रिपॉजिटरी देखें
431 महीना पहलेअभी तक समीक्षित नहीं
साझा करें

दुर्भावनापूर्ण कोड विश्लेषण में रीप्ले-मुक्त समेकन के लिए स्मृति के रूप में सतत शिक्षण प्रक्षेपवक्र

[!NOTE] यह पेपर Continual Learning Trajectory as Memory for Replay-Free Consolidation in Malicious Code Analysis का आधिकारिक कार्यान्वयन है।

FreeMOCA पाइपलाइन

FreeMOCA_Overview_v3

FreeMOCA निम्नलिखित प्रक्रिया में संचालित होता है:

  1. कार्य क्रमिक रूप से आते हैं, प्रत्येक नए मैलवेयर परिवारों को प्रस्तुत करता है।
  2. प्रत्येक कार्य के लिए मॉडल को पिछले कार्य से आरंभ किया जाता है (warm-start) ताकि पैरामीटर स्पेस में कार्य मिनिमा को संरेखित किया जा सके।
  3. प्रशिक्षण के बाद, वर्तमान और पिछले कार्य ऑप्टिमा के बीच एक mode connectivity–आधारित इंटरपोलेशन की गणना की जाती है। यह प्रक्रिया पैरामीटर अपडेट परिमाण के आधार पर अनुकूली लेयर-वार इंटरपोलेशन का उपयोग कर सकती है।
  4. इंटरपोलेटेड मॉडल वर्तमान मॉडल को प्रतिस्थापित करता है और अगले कार्य के लिए उपयोग किया जाता है।
  5. कोई पिछला डेटा, फीचर, या उत्पन्न नमूने संग्रहीत नहीं किए जाते हैं, जिसके परिणामस्वरूप मेमोरी-मुक्त सतत शिक्षण होता है।

यह पूरी प्रक्रिया जुड़े हुए समाधानों की एक श्रृंखला का निर्माण करती है जो एक निम्न-हानि मैनिफोल्ड पर स्थित होती है, जिससे विनाशकारी विस्मरण काफी कम हो जाता है।

डेटासेट

FreeMOCA का मूल्यांकन दो बड़े पैमाने के मैलवेयर डेटासेट, EMBER और Androzoo के साथ किया गया था। डेटासेट स्रोत:

  • EMBER: https://github.com/elastic/ember
  • Androzoo (AZ): https://zenodo.org/records/14537891

डेटासेट को निम्नलिखित निर्देशिका में डाउनलोड और सेटअप करें:

FreeMOCA/data/
├── AZ_Class
│   ├── AZ_Class_Test.npz
│   └── AZ_Class_Train.npz
│
├── AZ_Domain
│   ├── 2008_Domain_AZ_Test_Transfo...
│   ├── 2008_Domain_AZ_Train_Transfo...
│   ├── 2009_Domain_AZ_Test_Transfo...
│   └── ...
│
├── EMBER_Class
│   ├── XY_test.npz
│   └── XY_train.npz
│
└── EMBER_Domain
    ├── 2018-01
    ├── 2018-02
    ├── 2018-03
    └── ...

FreeMOCA चलाना

यह रिपॉजिटरी दो सतत शिक्षण परिदृश्यों का समर्थन करती है:

  • Class-Incremental Learning (Class-IL): कार्यों के दौरान नई कक्षाएँ (मैलवेयर परिवार) प्रस्तुत की जाती हैं।
  • Domain-Incremental Learning (Domain-IL): लेबल स्पेस निश्चित है, लेकिन समय के साथ डेटा वितरण बदलता है (जैसे, महीने/वर्ष)।

चरण 1. इंस्टॉलेशन

इसके लिए निम्नलिखित कमांड चलाएँ

conda create -n freemoca python=3.9
conda activate freemoca
pip install -r requirements.txt

चरण 2. FreeMOCA चलाएँ (Class-IL और Domain-IL)

# EMBER Class-IL
cd ./FreeMOCA_Class/EMBER_Class
CUDA_VISIBLE_DEVICES=0 python main.py --train_data /path/to/data --test_data /path/to/data
# AZ Class-IL
cd ./FreeMOCA_Class/AZ_Class
CUDA_VISIBLE_DEVICES=0 python main.py --train_data /path/to/data --test_data /path/to/data
# EMBER Domain-IL
cd ./FreeMOCA_Domain/EMBER_Domain
CUDA_VISIBLE_DEVICES=0 python main.py --data_root /path/to/data/directory
# AZ Domain-IL
cd ./FreeMOCA_Domain/AZ_Domain
CUDA_VISIBLE_DEVICES=0 python main.py --data_root /path/to/data/directory

हाइपरपैरामीटर में अधिक विस्तृत सेटअप के लिए, परिशिष्ट A. FreeMOCA के लिए सामान्य आर्ग्युमेंट्स देखें।

परिशिष्ट A. FreeMOCA के लिए सामान्य आर्ग्युमेंट्स

हाइपरपैरामीटर या प्रायोगिक सेटिंग्स को समायोजित करने के लिए, निम्नलिखित आर्ग्युमेंट्स का उपयोग करें:

ArgumentDescription
--init_classesकार्य 0 पर कक्षाओं की संख्या
--epochsप्रति कार्य एपॉक्स
--batchsizeबैच आकार
--lrलर्निंग रेट
--momentumSGD मोमेंटम
--weight_decayवेट डिके
--lambda_minन्यूनतम इंटरपोलेशन वेट
--lambda_maxअधिकतम इंटरपोलेशन वेट

आर्ग्युमेंट्स की डिफ़ॉल्ट सेटिंग बदलने के लिए, arguments.py फ़ाइल देखें।

बेसलाइन्स

हमारी रिपॉजिटरी निम्नलिखित मानक बेसलाइन्स पर प्रयोगों का समर्थन करती है:

  • None: केवल वर्तमान कार्य पर प्रशिक्षण (निचली सीमा)
  • Joint: अब तक देखे गए सभी डेटा पर प्रशिक्षण (ऊपरी सीमा, अव्यावहारिक)

आप इसे निम्नलिखित कमांड से चला सकते हैं:

cd /path/to/experiment/directory
CUDA_VISIBLE_DEVICES=0 python none.py --arugment_you_want
CUDA_VISIBLE_DEVICES=0 python joint.py --arugment_you_want

और पिछले कार्यों के अनुसार:

  • CLeWI: इस GitHub रिपॉजिटरी से संशोधित, "Continual Learning with Weight Interpolation" से कार्य।
  • WSC: इस GitHub रिपॉजिटरी से संशोधित, "Forget Forgetting: Continual Learning in a World of Abundant Memory" से कार्य।
  • Generative Replay (GR): इस GitHub रिपॉजिटरी से संशोधित, "Continual learning with deep generative replay" से कार्य।
  • EWC: इस GitHub रिपॉजिटरी से संशोधित, "Overcoming catastrophic forgetting in neural networks" से कार्य।
  • LwF: इस GitHub रिपॉजिटरी से संशोधित, "Learning without Forgetting" से कार्य।
  • iCaRL: इस GitHub रिपॉजिटरी से संशोधित, "iCaRL: Incremental Classifier and Representation Learning" से कार्य।
  • TAMiL: इस GitHub रिपॉजिटरी से संशोधित, "Task-Aware Information Routing from Common Representation Space in Lifelong Learning" से कार्य।
  • MalCL: इस GitHub रिपॉजिटरी से संशोधित, "MalCL: Leveraging GAN-Based Generative Replay to Combat Catastrophic Forgetting in Malware Classification" से कार्य।

आप बेसलाइन्स को निम्नलिखित कमांड से चला सकते हैं:

# CLeWI for EMBER-Class
cd ./baselines/CLeWI
CUDA_VISIBLE_DEVICES=6 python main.py --model="clewi" \
  --dataset="seq_ember" --n_tasks=11 \
  --lr=0.001 --buffer_size=500 --n_epochs=50 \
  --seed=42 --optim_wd=0.0 --optim_mom=0.0 \
  --batch_size=512 --sub_dataset="ember"

# CLeWI for AZ-Class
cd ./baselines/CLeWI
CUDA_VISIBLE_DEVICES=6 python main.py --model="clewi" \
  --dataset="seq_ember" --n_tasks=11 \
  --lr=0.001 --buffer_size=500 --n_epochs=50 \
  --seed=42 --optim_wd=0.0 --optim_mom=0.0 \
  --batch_size=512 --sub_dataset="az"
# WSC for EMBER-Class
cd ./baselines/WSC
MODEL_NAME=wsc_20_ember
python main.py --config=./exps/wsc_memory/$MODEL_NAME.json
# WSC for AZ-Class
cd ./baselines/WSC
MODEL_NAME=wsc_20_az
python main.py --config=./exps/wsc_memory/$MODEL_NAME.json
# GR for EMBER-Class
cd ./baselines/GR_EWC_LwF_iCaRL_EMBER
CUDA_VISIBLE_DEVICES=0 python main.py --data_set=EMBER --tasks=11 --replay=generative --metrics --logger_file gr --scenario=class

# GR for AZ-Class
cd ./baselines/GR_EWC_LwF_iCaRL_AZ
CUDA_VISIBLE_DEVICES=0 python main.py --data_set=ANDROZOO --tasks=11 --replay=generative --metrics --logger_file gr --scenario=class
# EWC for EMBER-Class
cd ./baselines/GR_EWC_LwF_iCaRL_EMBER
CUDA_VISIBLE_DEVICES=0 python main.py --data_set=EMBER --tasks=11 --ewc --lambda=50 --metrics --logger_file ewc --scenario=class

# EWC for AZ-Class
cd ./baselines/GR_EWC_LwF_iCaRL_AZ
CUDA_VISIBLE_DEVICES=0 python main.py --data_set=ANDROZOO --tasks=11 --ewc --lambda=50 --metrics --logger_file ewc --scenario=class
# LwF for EMBER-Class
cd ./baselines/GR_EWC_LwF_iCaRL_EMBER
CUDA_VISIBLE_DEVICES=0 python main.py --data_set=EMBER  --tasks=11 --replay=current --distill --metrics --logger_file lwf --scenario=class
टूल डाउनलोड करें

सबसे लोकप्रिय

सभी देखें →

हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 अंतिम OSINT टूलकिट: जाँच ग्राफ़, विश्वास स्कोरिंग, उपनाम परिवार, मानचित्र, टाइमलाइन और रिपोर्ट। 49 मॉड्यूल, 400+ साइटें, किसी API कुंजी की आवश्यकता नहीं।

    513
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # घोस्टलॉक वन-टैप निष्पादन ऐप (CVE-2026-43499)

    471
  • 3

    ARTEX

    baarai/artex

    प्लानर/वर्कर एजेंट, एसेट और एक्सप्लोरेशन ग्राफ़, MITM ट्रैफ़िक रिकॉर्डिंग, और भेद्यता पुनःपरीक्षण के साथ LLM मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म।

    345
  • 4

    redforge

    cybersecurity91/redforge

    ब्राउज़र-साइड रेड टीम टूलकिट, जिसमें रेकॉन, पेलोड जनरेशन, क्रेडेंशियल हमलों, क्रिप्टो, एन्कोडिंग और एंगेजमेंट रिपोर्टिंग के लिए 102 ऑफ़लाइन टूल्स हैं।

    311
  • 5

    estorides

    grisuno/estorides

    99+ मुफ़्त OSINT स्रोतों को समानांतर रूप से एकत्रित करता है, संस्थाओं को एक ज्ञान ग्राफ़ में हल करता है, और LLM-सहायता प्राप्त विश्लेषण के साथ STIX 2.1, MISP, या GraphML निर्यात करता है।

    303
  • 6

    opencti

    opencti-platform/opencti

    खुला साइबर खतरा बुद्धिमत्ता प्लेटफॉर्म

    303

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →