https://github.com/serenasensini/theredcode-dcgan-sintetizzazione-malware-byteplot
Progetto che mostra come usare una rete DCGAN per creare nuovi byteplot partendo dal dataset Maligm.
https://github.com/serenasensini/theredcode-dcgan-sintetizzazione-malware-byteplot
Last synced: 12 months ago
JSON representation
Progetto che mostra come usare una rete DCGAN per creare nuovi byteplot partendo dal dataset Maligm.
- Host: GitHub
- URL: https://github.com/serenasensini/theredcode-dcgan-sintetizzazione-malware-byteplot
- Owner: serenasensini
- Created: 2025-05-29T18:53:25.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2025-05-29T18:55:55.000Z (about 1 year ago)
- Last Synced: 2025-07-30T20:28:47.716Z (12 months ago)
- Language: Python
- Size: 4.88 KB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# DCGAN per malware byteplot sintetici
Questo progetto implementa una rete generativa avversaria (GAN) per generare immagini sintetiche a partire da un rumore casuale. Il modello è composto da un generatore e un discriminatore che competono tra loro per migliorare la qualità delle immagini generate.
## Funzionalità
- Generazione di immagini sintetiche.
- Salvataggio delle immagini generate nella cartella `output/`.
- Valutazione delle immagini generate tramite metriche come IS, FID, 1-NN, PPL, SSIM e GLCM.
## Installazione
1. Clona il repository:
```bash
git clone
cd
```
2. Crea un ambiente virtuale (opzionale ma consigliato):
```bash
python -m venv venv
source venv/bin/activate # Su Windows: venv\Scripts\activate
```
3. Installa le dipendenze:
```bash
pip install -r requirements.txt
```
4. Assicurati di avere installato TensorFlow e altre librerie necessarie (es. NumPy, OpenCV) usando `pip list`
## Parametri da variare per migliorare i risultati
Per ottenere risultati più accurati durante l'addestramento, puoi modificare i seguenti parametri:
1. **Batch size**:
- Valore predefinito: `64`.
- Riduci il batch size per rendere il training più instabile e favorire il generatore.
2. **Dimensione del rumore (noise_dim)**:
- Valore predefinito: `100`.
- Aumenta la dimensione per fornire al generatore un input più complesso.
3. **Numero di epoche (epochs)**:
- Valore predefinito: `50`.
- Aumenta il numero di epoche per dare più tempo al generatore e al discriminatore di migliorare.
4. **Learning rate**:
- Modifica il learning rate del generatore e del discriminatore per bilanciare il loro apprendimento.
5. **Metriche di valutazione**:
- Monitora metriche come FID e IS per valutare la qualità e la diversità delle immagini generate.
## Esecuzione
Per avviare l'addestramento del modello, esegui:
```bash
python train.py
```
Le immagini generate verranno salvate nella cartella `output/`.
## Contributi
Sentiti libero/a di contribuire al progetto aprendo una pull request o segnalando problemi nella sezione Issues.