Skip to content
KitploitKITPLOIT
도구익스플로잇블로그
Log in
제출
도구익스플로잇블로그
제출

해킹, 침투 테스트 및 사이버 보안 도구를 당신의 보안 무기고에!

Kitploit은 해킹, 사이버 보안 및 침투 테스트 도구 디렉토리입니다. 최신 프로젝트 업데이트를 발견하여 취약점을 찾고, 시스템을 분석하고, 테스트를 자동화하고, 보안을 강화하세요.

피드문의개인정보© 2026 Kitploit

도구 디렉토리

카테고리

모든 카테고리 보기
Loading categories
FreeMOCA — 메모리 없는 지속 학습 프레임워크로, mode connectivity-based interpolation을 사용하여 악성코드 분류를 수행합니다. EMBER 및 Androzoo 데이터셋에서 class-incremental 및 domain-incremental 시나리오를 지원합니다. | Kitploit
도구/GitHubGitHub/iqsec-lab/freemoca
Android SecurityStatic AnalysisMalware AnalysisMachine LearningPapers & ResearchLearning & Education
GitHubiqsec-lab/freemoca

FreeMOCA

메모리 없는 지속 학습 프레임워크로, mode connectivity-based interpolation을 사용하여 악성코드 분류를 수행합니다. EMBER 및 Androzoo 데이터셋에서 class-incremental 및 domain-incremental 시나리오를 지원합니다.

저장소 보기
431개월 전아직 검토되지 않음
공유

악성 코드 분석에서 리플레이 없는 통합을 위한 메모리로서의 지속 학습 궤적

[!NOTE] 이는 논문 Continual Learning Trajectory as Memory for Replay-Free Consolidation in Malicious Code Analysis의 공식 구현입니다.

FreeMOCA 파이프라인

FreeMOCA_Overview_v3

FreeMOCA는 다음과 같은 과정으로 동작합니다:

  1. 작업이 순차적으로 도착하며, 각 작업은 새로운 악성코드 패밀리를 도입합니다.
  2. 각 작업의 모델은 이전 작업에서 초기화됩니다(warm-start). 이는 파라미터 공간에서 작업 최소값을 정렬하기 위함입니다.
  3. 학습 후, 현재 작업과 이전 작업의 최적점 사이에 모드 연결성 기반 보간이 계산됩니다. 이 과정은 파라미터 업데이트 크기에 기반한 적응적 레이어별 보간을 사용할 수 있습니다.
  4. 보간된 모델이 현재 모델을 대체하고 다음 작업에 사용됩니다.
  5. 과거 데이터, 특징, 생성된 샘플이 저장되지 않으므로 메모리 없는 지속 학습이 이루어집니다.

전체 과정은 낮은 손실 다양체에 위치한 연결된 해의 체인을 구성하여 치명적 망각을 크게 줄입니다.

데이터셋

FreeMOCA는 두 가지 대규모 악성코드 데이터셋인 EMBER와 Androzoo로 평가되었습니다. 데이터셋 출처:

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

다음 디렉토리에 데이터셋을 다운로드하고 설정하세요:

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 실행

이 저장소는 두 가지 지속 학습 시나리오를 지원합니다:

  • 클래스 증분 학습 (Class-IL): 작업이 진행됨에 따라 새로운 클래스(악성코드 패밀리)가 도입됩니다.
  • 도메인 증분 학습 (Domain-IL): 레이블 공간은 고정되어 있지만, 데이터 분포가 시간(예: 월/년)에 따라 변화합니다.

1단계. 설치

다음을 위해 다음 명령을 실행하세요

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

2단계. FreeMOCA 실행 (Class-IL 및 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

하이퍼파라미터에 대한 더 자세한 설정은 부록 A. FreeMOCA의 공통 인수를 확인하세요.

부록 A. FreeMOCA의 공통 인수

하이퍼파라미터나 실험 설정을 조정하려면 다음 인수를 사용하세요:

인수설명
--init_classes작업 0의 클래스 수
--epochs작업당 에포크 수
--batchsize배치 크기
--lr학습률
--momentumSGD 모멘텀
--weight_decay가중치 감쇠
--lambda_min최소 보간 가중치
--lambda_max최대 보간 가중치

인수의 기본 설정을 변경하려면 arguments.py 파일을 확인하세요.

베이스라인

이 저장소는 다음 표준 베이스라인에 대한 실험을 지원합니다:

  • None: 현재 작업만 학습 (하한)
  • Joint: 지금까지 본 모든 데이터로 학습 (상한, 비현실적)

다음 명령으로 실행할 수 있습니다:

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

그리고 이전 연구들:

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

다음 명령으로 베이스라인을 실행할 수 있습니다:

# 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

# LwF for AZ-Class
cd ./baselines/GR_EWC_LwF_iCaRL_AZ
CUDA_VISIBLE_DEVICES=0 python main.py --data_set=AZ  --tasks=11 --replay=current --distill --metrics --logger_file lwf --scenario=class
# iCaRL for EMBER-Class
cd ./baselines/GR_EWC_LwF_iCaRL_EMBER
CUDA_VISIBLE_DEVICES=1 python main.py --data_set=EMBER --tasks=11 --icarl --budget=2000 --metrics --logger_file=icarl --scenario=class

# iCaRL for AZ-Class
cd ./baselines/GR_EWC_LwF_iCaRL_AZ
CUDA_VISIBLE_DEVICES=0 python main.py --data_set=ANDROZOO --tasks=11 --icarl --budget=2000 --metrics --logger_file=icarl --scenario=class
# TAMiL for EMBER-Class
cd ./baselines/TAMiL_EMBER
CUDA_VISIBLE_DEVICES=0 python main.py

# TAMiL for AZ-Class
cd ./baselines/TAMiL_AZ
CUDA_VISIBLE_DEVICES=0 python main.py
# MalCL for EMBER-Class
cd ./baselines/MalCL_EMBER
CUDA_VISIBLE_DEVICES=0 python main.py --train_data /path/to/data --test_data /path/to/data

# MalCL for AZ-Class
cd ./baselines/AZ_EMBER
CUDA_VISIBLE_DEVICES=0 python main.py --train_data /path/to/data --test_data /path/to/data
도구 다운로드

인기

모두 보기 →

커뮤니티에서 가장 많이 사용되는 도구를 찾아보세요.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 궁극의 OSINT 툴킷: 조사 그래프, 신뢰도 점수 산정, 별칭 패밀리, 지도, 타임라인 및 보고서. 49개 모듈, 400개 이상 사이트, API 키 불필요.

    614
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # GhostLock 원탭 실행 앱 (CVE-2026-43499)

    476
  • 3

    ARTEX

    baarai/artex

    LLM 멀티 에이전트 자율 침투 테스트 플랫폼으로, 플래너/워커 에이전트, 자산 및 탐색 그래프, MITM 트래픽 기록, 취약점 재테스트 기능을 제공합니다.

    389
  • 4

    redforge

    cybersecurity91/redforge

    브라우저 측 레드 팀 툴킷으로, 정찰, 페이로드 생성, 자격 증명 공격, 암호화, 인코딩 및 참여 보고를 위한 102개의 오프라인 도구를 제공합니다.

    334
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI 네이티브 사이버보안을 위한 행동 체계—의도가 통제된 실행이 되고, 증거가 운영 메모리가 되며, 모든 운영이 다음 운영을 개선하는 곳.

    257
  • 6

    antifox

    antifox-ai/antifox

    정찰, 공격 표면 탐색, 익스플로잇 검증, 증거 기반 보고서 전달을 수행하는 AI 멀티 에이전트 자율 침투 테스트 플랫폼입니다.

    247

모든 도구 탐색

도구 컬렉션을 둘러보세요

모든 도구 보기 →