SOREL-20M：用于恶意 PE 文件检测的大规模基准数据集
密码学与安全
2020-12-15 v1
摘要
本文描述了 SOREL-20M（Sophos/ReversingLabs-20 Million）数据集：一个由近 2000 万文件组成的大规模数据集，包含预提取特征与元数据、源自多源的高质量标签、收集时恶意软件样本的各厂商检测结果，以及与每个恶意软件样本相关的额外“标签”以作为附加目标。除特征与元数据外，我们还提供约 1000 万“已解除武装”的恶意软件样本——即 optional_headers.subsystem 与 file_header.machine 标志均置零的样本——可用于进一步探索特征与检测策略。我们还提供用于操作数据与特征的 Python 代码，以及基线神经网络与梯度提升决策树模型及其结果，含完整训练与评估代码，作为进一步实验的起点。
引用
@article{arxiv.2012.07634,
title = {SOREL-20M: A Large Scale Benchmark Dataset for Malicious PE Detection},
author = {Richard Harang and Ethan M. Rudd},
journal= {arXiv preprint arXiv:2012.07634},
year = {2020}
}
备注
Associated code available at: https://github.com/sophos-ai/SOREL-20M