摘要：新型基于图像的恶意软件检测和分类数据集，将恶意软件二进制文件转换为1024×1024像素的灰度图像，涵盖从2022年至2025年8月收集的94,300个样本，包含22种恶意软件家族和良性文件。
数据集简介
数据集概述
新型基于图像的恶意软件检测和分类数据集，将恶意软件二进制文件转换为1024×1024像素的灰度图像，涵盖从2022年至2025年8月收集的94,300个样本，包含22种恶意软件家族和良性文件。数据集通过将原始二进制数据可视化为图像（经过填充/调整大小处理），使研究人员能够利用计算机视觉和深度学习技术进行恶意软件分析。恶意软件样本来源于MalwareBazaar，良性文件源自Windows DLL系统文件，并提供哈希值用于验证和追溯。重要的是，该数据集仅包含图像，不包含任何可执行恶意软件文件，确保使用安全。数据集包含22种恶意软件家族，其中Mirai（24,000）、Heodo（16,000）和AgentTesla（15,600）样本数量最多，良性样本3,721个，其余恶意软件家族样本数在1,132-2,000之间。该数据集适用于恶意软件分类、基于图像的深度学习实验（CNN、ResNet、Vision Transformers）、字节序列特征提取、网络威胁可视化研究和恶意软件检测基准模型构建。
数据结构与关键特征
数据集包含94,300张1024×1024像素的PNG格式灰度图像，按22种恶意软件家族+1类良性文件组织。关键特征包括：二进制可视化（将恶意软件二进制文件转换为灰度图像，每个字节映射为像素灰度值，使二进制模式可视化）、高分辨率图像（1024×1024保留丰富的二进制结构信息）、时间跨度覆盖（2022-2025年样本反映最新恶意软件趋势）、多样化恶意软件家族（涵盖RAT远程访问木马、信息窃取器、加载器、勒索软件等主要威胁类型）、不平衡类别分布（Mirai占25.4%，良性仅占3.9%，反映真实场景的不平衡性）、以及安全性保证（仅图像无可执行代码）。数据集的核心创新在于将网络安全问题转换为计算机视觉问题：恶意软件的二进制结构在图像中呈现为纹理、模式和区域特征，不同恶意软件家族具有独特的视觉指纹。1024×1024分辨率足以表示较大的二进制文件（约1MB），同时适合现代GPU处理。类别不平衡（良性3.9% vs 恶意96.1%）是真实恶意软件检测的特点，但需要特殊技术处理（如重采样、类权重）。
应用价值与研究方向
该数据集在网络安全、恶意软件检测、计算机视觉和深度学习研究领域具有重要应用价值，可用于开发基于图像的恶意软件检测系统、威胁情报分析工具、终端安全产品和网络防御平台。研究方向包括：基于深度学习的恶意软件视觉分类算法、迁移学习从ImageNet预训练模型到恶意软件领域、类不平衡学习技术、对抗性攻击与防御（恶意软件变种能否欺骗视觉模型）、多尺度特征提取、轻量级实时检测模型、可解释性AI用于识别恶意代码模式、以及跨年份泛化能力研究。数据集提出的6个关键研究问题为系统评估提供了框架：视觉模型效果、迁移学习价值、类平衡影响、分辨率影响、对抗鲁棒性和实时检测可行性。此外，该数据集还可扩展至零日恶意软件检测、恶意软件家族演化分析、代码混淆识别等应用场景，为推动AI技术在网络安全领域的应用、提升恶意软件检测准确率、降低误报率、增强网络防御能力提供重要的数据支撑和技术基础。基于图像的方法相比传统静态分析和动态分析具有独特优势：无需反汇编、抗混淆、计算高效，但也面临对抗攻击和泛化挑战，该数据集为探索这些问题提供了标准化平台。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-230
文件大小：27G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)