v0.3:
相对于 v0.2，训练逻辑不变，性能上做了一些优化:
- 使用 tf.data.Dataset.padded_batch，在一个 batch 中对 sequence 进行 padding ，之前是全局做，全部 padding 成长度 5001 的 sequence
- Input Layer 的 shape 改成 (None, 311)，使之支持 variable length sequence
- 训练速度可以提升约50%
v0.2:
相对于 v0.1，训练逻辑和效果不变，但做了一些优化:
- 使用 Tensorflow TFRecord 格式存储原始数据
- 中间步骤的脚本支持管道操作, 具体可以查看脚本的 --help
- 训练部分使用 TFRecord，训练速度更快，占用内存变少
- 根目录下增加了一个 simple_baseline.py ，使用了 (1,3)-grams 特征构建随机森林分类器，可以作为一个快速简单的 simple baseline，中间使用了一些处理的小技巧，如果你遇到内存不够之类的问题，可以参考这种写法。
此竞赛是阿里云举办的第三届安全算法挑战赛，这一次竞赛的主题是恶意文件分类。
本题目提供的数据来自 windows 可执行程序 经过沙箱程序模拟运行后的 API 指令序列，经过了脱敏处理。
其中恶意文件的类型有
| 文件类型 | label |
|---|---|
| 正常文件 | 0 |
| 感染型病毒 | 1 |
| 木马程序 | 2 |
| 挖矿程序 | 3 |
| DDOS木马 | 4 |
| 勒索病毒 | 5 |
字段说明
| 字段 | 类型 | 解释 |
|---|---|---|
| file_id | bigint | 文件编号 |
| label | bigint | 文件标签，0-正常/1-勒索病毒/2-挖矿程序/3-DDoS木马/4-蠕虫病毒/5-感染型病毒 |
| api | string | 文件调用的API名称 |
| tid | bigint | 调用API的线程编号 |
| return_value | string | API返回值 |
| index | string | 线程中API调用的顺序编号 |
数据预览
$ unzip -p 3rd_security_train.zip | head
file_id,label,api,tid,return_value,index
0,0,GetSystemTimeAsFileTime,2644,0,0
0,0,NtAllocateVirtualMemory,2644,0,1
0,0,NtFreeVirtualMemory,2644,0,2
0,0,NtAllocateVirtualMemory,2644,0,3
0,0,NtAllocateVirtualMemory,2644,0,4
0,0,NtAllocateVirtualMemory,2644,0,5
0,0,NtAllocateVirtualMemory,2644,0,6
0,0,SetUnhandledExceptionFilter,2644,0,7
0,0,LdrLoadDll,2644,0,8
...需要注意的点:
- 返回值经过脱敏处理，它并不代表返回值是一个数字
- 一个文件可能起了很多个进程，某个进程的 api 序列可能很长，这里做过截断处理，把序列长度超过 5000 的部分进行了截断删除
- index 是单个文件在沙箱执行时的全局顺序，由于沙箱执行时间有精度限制，所以会出现一个 index 上出现同线程或者不同线程都在执行多次 api 的情况。index 可以保证 tid 内部的顺序，但不保证连续
简单的统计
# 训练集行数
$ unzip -p 3rd_security_train.zip | wc -l
409631050
# 训练集文件数
$ unzip -p 3rd_security_train.zip | tail -n +2 | cut -f 1 -d, | uniq | wc -l
116624
# label 的分布情况
$ unzip -p 3rd_security_train.zip | tail -n +2 | cut -f 1,2 -d, | uniq | cut -f 2 -d, | sort | uniq -c
111545 0
287 1
744 2
598 3
53 4
3397 5
# 测试集文件数
$ unzip -p 3rd_security_test.zip | tail -n +2 | cut -f 1 -d, | uniq | wc -l
53093
训练集一共 11万+ 个文件样本，共4亿个 API 调用记录。label分布很不平衡，其中 4 类别的样本数极少
| 字段 | 类型 | 解释 |
|---|---|---|
| file_id | bigint | 文件编号 |
| label | bigint | 文件标签，0-正常/1-勒索病毒/2-挖矿程序/3-DDoS木马/4-蠕虫病毒/5-感染型病毒 |
| api | string | 文件调用的API名称 |
| tid | bigint | 调用API的线程编号 |
| return_value | string | API返回值 |
| index | string | 线程中API调用的顺序编号 |
假设某个文件有以下的 api 调用顺序，采集精度为10ms，这里忽略 api 的 return value
index 0 1 2 3 4 5 6 7
timestamp(ms) 0 10 20 30 40 50 60 70 80 90 100
tid 1001 a a,a a a a c a
1002 b c d b
1003 f f f那么将生成如下数据文件
api tid index
a 1001 0
a 1001 1
a 1001 1
a 1001 3
a 1001 4
a 1001 5
c 1001 6
a 1001 7
b 1002 1
c 1002 2
d 1002 4
b 1002 7
f 1003 0
f 1003 3
f 1003 6官方说明采用 logloss 计算:
但实际上，logloss 公式应该是:
不清楚最终评分是按照哪个来？
这个题目类似一个 NLP 问题，你把每个文件的调用序列，当成一篇文章来看，类似 NLP 的文本分类。可以尝试的做法有构建 n-gram tfidf 特征，然后用 Random Forest , GBDT 等算法构建多分类模型。但在这里我想尝试使用深度学习的方法，避免人工特征工程。因为时间关系以及提交次数的限制，无法尝试太多的模型架构，也没有对模型做很好的调优工作，最终该模型的 logloss 在 0.09 左右，在排行榜上只能处在中游水平，不过我相信这种方法有一定的潜力，未来如果我们能够自行搜集更多的样本，尝试更复杂的结构，相信其表现可以提升很多。
前面说到这个问题其实是 sequence → class 的一个问题，但仔细分析，它又有自己不一样的地方。
对于一个文本来说，词与词之间是连续的，比如
index 0 1 2 3 4 5 6
word I like this movie very much !由于采集精度的问题，譬如精度只有10ms，在上表的例子中，index 下有两个 api 无法区分其先后。除此之外，一个文件可能会启动多个线程
因此站在文件的层面出发，我们看到的是这样一种序列
{a, f} -> {a, a, b} -> {c} -> {} -> {a, f} -> {a, d} -> {a} -> {} -> {} -> {c, f} -> {a, b}由于 index 只包含了先后关系，并没有间隔长度的关系，因此实际上我们能看到的序列是这种形式
{a, f} -> {a, a, b} -> {c} -> {a, f} -> {a, d} -> {a} -> {c, f} -> {a, b}因此实际上文本类型的 sequence 是上述 sequence 的一个特例，上述 sequence 是 a sequence of sets，文本类型的 sequence 相当于每个 set 中只包含一个元素
{I} -> {like} -> {this} -> {movie} -> {very} -> {much} -> {!}对于 text sequence 来说，我们可以用 One-Hot Encoding 对词进行编码，变成一个 2D Matrix
相同的，我们可以把 API sequence 也变成 One-Hot Encoding
注: 这种表示方法，忽略了在同一个 index 下，相同 api 被调用多次的情况
网络的设计参考了这篇文章 《Understanding how Convolutional Neural Network (CNN) perform text classification with word embeddings》。
区别在于我在最初的地方加另一个 maxpool 层
考虑到 class 0 的样本占据了大多数，并且较难的部分其实是 class 1 ~ class 5 之间的分类问题。因此在每一个 epoch 中，我们随机抽取一部分 class 0 的样本，其余 class 保持固定。
将数据文件放入 ./data 目录下
$ unzip -p ./data/3rd_security_train.zip | python encode_values.py -c api --vocab-file value_mappings.csv \
| python to_tfrecords.py -o train:0.8 valid:0.2 --with-label --compress --verbose
$ unzip -p ./data/3rd_security_test.zip | python encode_values.py -c api --vocab-file value_mappings.csv \
| python to_tfrecords.py -o test --compress --verbose训练
$ python train.py --train-file train.tfrecords.gz --valid-file valid.tfrecords.gz预测
$ python predict.py --test-file test.tfrecords.gz --model-file ./logs/cnn_xxx/cnn_xxx.h5 --submission-file submissions.csv- 关于评分标准，按照阿里云说明文档中，按照 logloss 进行评估，但给出的公式并不是 logloss 的公式，有可能出现的情况是，官方按照自己的那个公式做评分，而训练时的 loss 是按照 logloss 去做最优化的，这里可能会吃亏。
- 这次比赛并没有尝试普通的Random Forest或者GBDT去做，直接用了一个最简单的 CNN 去做，我觉得这个 baseline model 的 performance 还凑合，毕竟这里面没有任何的人工特征工程在里面。在初赛阶段大约能达到 0.09+，后续如果优化网络结构以及做一些fine-tune，也许有一定的潜力。
- 这里简单使用了 one-hot encoding，因为还没有想到一个学习 embedding 的一个好方法，因为和文本不一样，这种类型的 sequence 中每个 element 是一个 set。