OSPTrack：一个包含多个生态系统中软件包执行时生成的静态和动态特征的标记数据集，用于识别开源软件中的恶意行为。

2024-11-22 ，由格拉斯哥大学创建的OSPTrack数据集，目的是通过捕获在隔离环境中执行包和库时生成的特征，包括静态和动态特征，来识别开源软件（OSS）中的恶意指标，特别是在源代码访问受限时，支持在运行时高效检测方法。

数据集地址：OSPTrack

一、研究背景：

开源软件（OSS）已成为互联网和网络供应链链中不可或缺的一部分，但其被利用的频率越来越高。尽管在OSS的漏洞检测方面取得了进展，但先前的工作主要集中在静态代码分析上，忽略了运行时指标。

目前遇到困难和挑战:

1、现有的漏洞检测方法往往侧重于静态代码分析，这在OSS嵌入复杂系统时可能效率不高。

2、当前的数据集主要关注恶意软件包，未能捕获运行时特征。

3、尽管已有软件模拟开发，但没有专门针对OSS并提供执行期间标记监控结果的数据集。

数据集地址：OSPTrack

二、让我们来一起看一下OSPTrack数据集

OSPTrack是一个跨越多个生态系统的标签化数据集，它在隔离环境中捕获了执行包和库时生成的特征，包括静态和动态特征，如文件、套接字、命令和DNS记录。

OSPTrack数据集包含9461个包报告（其中1962个为恶意），涵盖了npm、pypi、crates.io、nuget和packagist等多个生态系统。数据集包含了详细的子标签，用于攻击类型的验证信息，有助于在源代码访问受限的情况下识别恶意指标，并支持在运行时进行有效的检测方法。

数据集构建 :

数据集的构建采用了多进程分析包、报告解析与特征提取、最终标签匹配的方法。部分数据来自现有的BigQuery数据集，该数据集由package-analysis工具生成，包含静态和动态特征。

数据集特点 :

OSPTrack数据集的特点在于其八维特征，包括文件、套接字、命令和DNS相关行为，这些特征有助于在不同生态系统中进行差异性或比较性分析。

基准测试:

数据集可用于训练机器学习模型，区分良性和恶意软件行为，以及检测运行中的软件漏洞，确保开源软件的供应链安全。

数据生成框架。1. 收集包裹信息 1.a.查询分析了来自 BigQuery 2 的结果。在多个过程中使用包装分析模拟包装 3.解析 JSON 报告并查询 Parquet 报告，提取特征 4.根据已知标签匹配和生成标签

软件供应链中的攻击类型集合

按生态系统、包计数、标签和子标签划分的包计数。

三、让我们一起展望数据集的应用：

比如，你是一个网络安全专家，你的任务是识别出那些偷偷摸摸的恶意软件。这些恶意软件会悄悄地潜入你的系统，然后搞破坏。但是，要抓到这些恶意软件可不是一件容易的事，因为它们很会伪装，而且手段多样。

现在，我们有了一件秘密武器——OSPTrack数据集。它提供了大量的恶意软件样本和它们的行为特征。我们要用这个工具箱里的一个特殊技巧，叫做多模态特征融合，来帮助我们更准确地识别出这些恶意软件。

这个技巧的关键在于，我们不仅仅从一个角度去看问题，而是从多个角度。就像我们用两个不同的镜头去看同一个东西，一个镜头是数字的，另一个是文本的。

首先，我们用数字编码器这个镜头，它能够捕捉恶意软件的数字特征，比如它们的操作码统计序列。这就像是给每个恶意软件拍了一张“照片”，捕捉了它们的行为模式。

然后，我们用文本编码器这个镜头，它能够把恶意软件的特征组织成句子，描述它们的行为和动态。这就像是给恶意软件写了一个故事，然后用语言模型这个翻译器，把这些故事转换成电脑能理解的语言。

接下来，我们把这些数字和文本的特征融合在一起，就像是给每个恶意软件一个“双重身份”。这样，我们就能在两个不同的空间里分析它们，一个用于分类，一个用于检测。

在实际操作中，我们就像是在厨房里忙碌的大厨。我们先把恶意软件样本进行预处理，就像是把食材洗干净、切好。然后，我们用深度学习模型，比如EfficientNetV2，来提取和融合这些特征。这个模型就像是我们的高级厨具，它的优化网络结构和SE注意力机制模块，就像是我们的刀和砧板，帮助我们更精确地捕捉和强调关键特征。

最后，我们在一些常用的恶意软件数据集上进行实验，比如Mailing和我们提出的MAL-100+，就像是在不同的餐厅里试菜。结果证明，我们的方法非常有效。我们的模型不仅提高了恶意软件检测的准确性，还增强了对未知恶意软件样本的检测能力，就像是我们的菜在各个餐厅都受到了好评。