mjbommar/binary-30k-tokenized

Binary-30K 是一个大型多平台二进制可执行文件数据集，旨在用于机器学习研究。数据集包括来自 Linux、Windows、macOS 和 Android 平台的二进制文件，以及恶意软件样本。数据集已经进行了标记化和元数据提取的预处理。README 文件还描述了数据集的结构、每个数据实例的特征以及支持的任务，例如二进制恶意软件检测、架构识别和平台/操作系统检测。Binary-30K is a large-scale multi-platform binary executable dataset designed for machine learning research. It includes binaries from Linux, Windows, macOS, and Android platforms, as well as malware samples. The dataset is pre-processed with tokenization and metadata extraction. The README also describes the structure of the dataset, the features of each data instance, and the supported tasks such as binary malware detection, architecture recognition, and platform/OS detection.

搜集汇总

背景与挑战

背景概述

Binary-30K是一个大规模多平台二进制可执行文件数据集，专为二进制分析、恶意软件检测和程序理解的机器学习研究设计。数据集包含约30,000个唯一二进制文件，覆盖Linux、Windows、macOS和Android平台，其中21%为恶意软件样本，提供预计算的BPE标记化和全面的元数据提取。