Релизная модель устанавливается вместе с пакетом. Используйте zombieguard scan --help, чтобы узнать об ограничении размера входных данных, выводе в форматах JSON/SARIF и параметрах сканирования каталогов.

Для разработки установите репозиторий в редактируемом режиме:

Что он проверяет

ZombieGuard рассматривает каждый ZIP как задачу проверки согласованности, а не как поиск сигнатур вредоносного ПО:

• согласованность локального заголовка файла и центрального каталога;
• согласованность метода сжатия, размера, смещения и CRC;
• заявленное сжатие в сравнении с энтропией полезной нагрузки;
• повреждённые, усечённые, зашифрованные и неподдерживаемые структуры;
• подозрительное поведение во всех записях, а не только в первой записи.

Сканер выдаёт вердикт с подтверждающими кодами причин. Сбои анализа сообщаются как неопределённые или подозрительные состояния; они никогда молча не преобразуются в чистый результат.

Архитектура

Ошибки структурной валидации дают явный результат «невозможно просканировать». Успешно разобранные архивы оцениваются моделью, а обнаруженные несоответствия возвращаются в виде кодов причин. Метаданные модели фиксируют схему признаков, конфигурацию обучения, хэши источников и контрольную сумму модели.

Проверенная оценка

Релизная оценка намеренно узкая и воспроизводимая. Она не претендует на обнаружение вредоносного ПО в реальном мире или на обобщение для других форматов.

Текущий артефакт сообщает:

Матрица ошибок: TN=1,565, FP=3, FN=0, TP=1,150. Авторитетные результаты находятся в artifacts/metrics.json; этот файл также содержит сводки по фолдам для каждого варианта, хэши источников данных, проверки на утечки, контрольную сумму модели и точную конфигурацию. Если метрика используется в резюме, статье или презентации, указывайте её область как синтетическая вложенная оценка признаков с исключением одного варианта.

Отрицательные строки включают 686 строк признаков, полученных из PyPI, 478 сгенерированных сложных отрицательных, 400 сгенерированных небольших безвредных и 4 строки признаков, полученные из Office. Семейства источников отрицательных примеров распределены по фолдам, а не отложены как семейства. Интервалы описывают неопределённость на уровне строк внутри этого бенчмарка; они не оценивают неопределённость развёртывания или смещение домена. Выходные данные LightGBM сообщаются как некалиброванный показатель, а не вероятность. Политика порога — это рабочая точка разработки, оценённая с помощью вложенных фолдов; прежде чем рассматривать измеренную частоту ложноположительных срабатываний как производственное доказательство, всё ещё требуются свежие безвредные архивы, разобранные текущим релизом.

Зачем использовать синтетические положительные примеры? Публичных независимо проверенных примеров этой узкой техники обхода мало. Генерация делает каждую структурную мутацию явной и воспроизводимой. Синтетическая производительность — это доказательство того, что детектор распознаёт эти мутации; она не заменяет независимо размеченный бенчмарк на реальных данных.

См. карточку данных и карточку модели для получения сведений о происхождении, семантике меток и режимах отказа.

Воспроизведение релиза

Установите основные зависимости и проверьте зафиксированные артефакты. Дополнительные шаги генерации и обновления воспроизводят все безопасные синтетические положительные примеры и подтверждают, что их зафиксированные признаки по-прежнему соответствуют текущему парсеру перед переобучением:

Обучение читает зафиксированные таблицы признаков и меток и записывает:

• src/zombieguard/assets/zombieguard_lgbm.txt — переносимая модель LightGBM;
• src/zombieguard/assets/zombieguard_lgbm.metadata.json — метаданные схемы и целостности;
• artifacts/metrics.json — машиночитаемый отчёт об оценке.

Непрерывная интеграция запускает линтинг, аудит зависимостей и статический аудит безопасности, компиляцию в байт-код, тесты с покрытием, сборку пакетов на Python 3.11 и 3.12, проверку согласованности генератора и парсера, верификацию зафиксированных артефактов и изолированный смоук-тест «обучи и проверь».

Структура репозитория

Сырые вредоносные программы, загруженные корпуса, учётные данные и локально обученные черновые модели не являются частью репозитория.

Область применения и ограничения

• ZIP — единственный поддерживаемый формат архивов. Производительность для RAR, 7z, APK и JAR не заявляется.
• Модель обучена на сгенерированных вариантах обхода и строках признаков с безвредными метками. Новые расхождения парсеров могут не соответствовать изученному распределению признаков.
• Зашифрованное содержимое невозможно проверить. Рекурсивный обход каталогов обнаруживает ZIP-файлы во вложенных папках; он не сканирует архивы, встроенные внутрь других архивов.
• Результаты должны использоваться в рабочем процессе карантина или проверки, а не заменять антивирусный движок, песочницу, сканер содержимого или человека-аналитика.
• Враждебные архивы могут потреблять память или CPU. Держите включённым ограничение входного размера --max-size-mb и добавляйте ограничения памяти и времени на уровне процесса в производственных развёртываниях.

Участие и безопасность

Прочитайте CONTRIBUTING.md перед изменением парсера, набора данных или протокола оценки. Не фиксируйте в репозитории образцы вредоносного ПО, учётные данные API или заявления о бенчмарках без воспроизводимого артефакта.

Для сообщения об уязвимости или обходе парсера следуйте SECURITY.md. Пожалуйста, не прикрепляйте живые вредоносные программы к публичным issue.

Лицензия

Распространяется по лицензии Apache License 2.0.

Карточка данных · Карточка модели · Политика безопасности · Участие · CI