ISAdetect dataset (ISAdetect binary file and object code dataset)

该存储库包含两个数据集：一个包含原始二进制文件和从中提取的代码段（“完整数据集”），另一个只有代码段（“仅代码段”）。通过分割标记为可执行的二进制部分来提取代码部分。二进制文件是从 Debian 存储库中抓取的。还有两个 CSV 文件可用，一个包含完整的二进制文件，一个包含代码部分，其中包括从每个架构的大约 3000 个二进制文件中提取的 293 个特征。这些特征可用于训练分类器。该数据集包含以下 23 种架构的数千个二进制文件：alpha、amd64、arm64、armel、armhf、hppa、i386、ia64、m68k、mips、mips64el、mipsel、powerpc、powerpcspe、powerpc64、powerpc64el、riscv、s390、s390x , sh4, sparc, sparc64 和 x32。有 98 500 个二进制文件，大约 27 GB（未压缩）的二进制文件和大约 15 GB（未压缩）的二进制文件中的代码部分。两个数据集都将二进制文件保存在架构命名的目录中。文件夹内的文件被命名为原始二进制文件的 MD5 哈希，以“.code”结尾的哈希文件仅包含原始二进制文件的所有代码段的串联。每个架构文件夹还包含一个以架构命名的 JSON 文件，例如amd64 包含 amd64.json。 JSON 文件的结构如下（以 JSON Schema-like 表示法描述）这项工作基于 John Clemens，2015 年“使用机器学习对目标代码进行自动分类”和 De Nicolao，Pietro 等人的工作， 2018 年，“ELISA: ELiciting ISA of Raw Binaries for Fine-Grained Code and Data Separation” 该数据集作为以下论文的一部分发布：Sami Kairajärvi、Andrei Costin 和 Timo Hämäläinen。 2020. ISAdetect：可用于可执行二进制文件和目标代码的 ISA（CPU 架构和字节序）自动检测。第十届 ACM 数据和应用程序安全与隐私会议 (CODASPY’20)，2020 年 3 月 16 日至 18 日，美国洛杉矶新奥尔良。 ACM，纽约，纽约，美国，5 页。 https://doi.org/10.1145/3374664.3375742 Kairajärvi、Sami、Andrei Costin 和 Timo Hämäläinen。 “实现对任意二进制文件和目标代码序列的 CPU 架构和字节序的可用自动检测。” arXiv 预印本 arXiv:1908.05459 (2019)。凯拉耶尔维，萨米人。 “使用二进制文件内容自动识别架构和字节序。” （2019）。与此数据集相关的代码可在 https://github.com/kairis/isadetect 更改日志：版本 6 - 29.3.2020 添加 Weka 模型版本 5 - 17.1.2020 清理数据集版本 4 - 13.1.2020 初始版本