由于selenium升级导致的，记得导入By类包，否则会报错。

恶意软件分类中对抗性示例和防御的有效性摘要人工神经网络已经成功地用于许多不同的分类任务，包括恶意软件检测和区分恶意和非恶意程序。虽然人工神经网络在这些任务上表现得很好，但它们也容易受到敌对例子的攻击。一个对抗性示例是，对样本进行了微小修改，使神经网络对其进行错误分类。人们提出了许多技术，既可以用来制作对抗性示例，也可以用来强化针对它们的神经网络。以前的大多数工作都是在图像领域完成的。其中一些攻击已

pytorch运行程序后，C盘爆满，如何释放

目录摘要一、引言二、基础概念与相关工作2.1 静态检测2.2 动态检测2.3 图卷积神经网络及函数调用图2.3.1 函数调用图2.3.2 图卷积神经网络及图嵌入三、基于敏感API调用模式的检测模型四、实验测试与结果分析4.1 评价标准4.2 数据集及相关环境4.3 测试方法4.4 API调用模式特征有效性分析4.4.1 敏感API调用模式特征可视化分析4.4.2 基于敏感API调用模式特征的恶意软

torch 1.12.0python3.8离线安装 torch-geometric

什么是对抗攻击？由于机器学习算法的输入形式是一种数值型向量（numeric vectors），所以攻击者就会通过设计一种有针对性的数值型向量从而让机器学习模型做出误判，这便被称为对抗性攻击。在计算机视觉领域，对抗攻击（adversarial attack）旨在通过向图片中添加人眼无法感知的噪音以欺骗 图像分类、目标识别等机器学习模型。如下图所示，输入原图像，图像分类器给出的结果为“是熊猫的概率为5