From 4bbe8ea62f5a39e83331166768aab604775d0cc7 Mon Sep 17 00:00:00 2001
From: ccyj <2384899431@qq.com>
Date: Sun, 5 May 2024 20:12:43 +0800
Subject: [PATCH 1/4] =?UTF-8?q?doc=EF=BC=9A=E5=A2=9E=E5=8A=A0=E6=A3=80?=
 =?UTF-8?q?=E6=B5=8BPython=E5=AF=B9=E5=85=B6=E4=BB=96=E8=AF=AD=E8=A8=80?=
 =?UTF-8?q?=E7=9A=84=E5=B0=81=E8=A3=85?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 docs/idea.md | 15 +++++++++++++++
 1 file changed, 15 insertions(+)

diff --git a/docs/idea.md b/docs/idea.md
index b018920..668395a 100644
--- a/docs/idea.md
+++ b/docs/idea.md
@@ -8,6 +8,10 @@
 
 参考项目： [https://github.com/SonarSource/sonarqube]
 
+检查源代码的语法和关键词。通过这种方式，可以发现是否存在与其他语言的交互，比如调用外部命令、使用其他语言的扩展模块、与其他语言的接口交互等。
+
+实现方法：可以使用Python代码解析库（如ast模块）来分析语法树，并检查特定的代码模式或结构；开发脚本来搜索Python代码中常用于与其他语言交互的关键词和函数，例如ctypes、subprocess、os.system等
+
 ## 控制流分析
 
 通过分析程序的控制流（即程序中各个操作的执行顺序），可以检测到异常的控制流路径，这些路径可能是后门的迹象。
@@ -22,6 +26,10 @@
 
 这个网站可以搜索依赖中是否存在漏洞： [https://security.snyk.io/package/pip/]
 
+分析代码库中的依赖关系，查找是否导入了与其他语言交互相关的模块或库
+
+实施策略：开发脚本进行依赖库对比匹配
+
 ## 异常行为检测
 
 通过定义“正常”代码行为的基线，可以标识出异常行为，这些异常行为可能指示着后门的存在。
@@ -33,3 +41,10 @@
 使用NLP技术来训练机器学习模型，以自动从大量代码中学习和识别异常或潜在的后门模式。
 
 开发方法：采用深度学习框架如TensorFlow或PyTorch，结合NLP处理工具，训练模型识别代码中的异常行为。
+
+## 动态代码执行监控
+
+在Python代码执行时，监视程序的行为并记录其与其他语言的交互。
+
+实现方法：通过在代码执行过程中动态检查导入的模块、调用的函数以及执行的系统调用来实现。使用Python的调试器或操作系统级别的工具（如strace或ltrace）可以帮助捕获这些信息。
+

From 3c7e5f4c3da3bc2db35e6ac181a1530edf3c822c Mon Sep 17 00:00:00 2001
From: ccyj <2384899431@qq.com>
Date: Sat, 11 May 2024 21:37:35 +0800
Subject: [PATCH 2/4] =?UTF-8?q?doc=EF=BC=9A=E5=A2=9E=E5=8A=A0=E6=A3=80?=
 =?UTF-8?q?=E6=B5=8BPython=E5=AF=B9=E5=85=B6=E4=BB=96=E8=AF=AD=E8=A8=80?=
 =?UTF-8?q?=E7=9A=84=E5=B0=81=E8=A3=85?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 docs/idea.md | 4 ----
 1 file changed, 4 deletions(-)

diff --git a/docs/idea.md b/docs/idea.md
index 668395a..1e7f329 100644
--- a/docs/idea.md
+++ b/docs/idea.md
@@ -42,9 +42,5 @@
 
 开发方法：采用深度学习框架如TensorFlow或PyTorch，结合NLP处理工具，训练模型识别代码中的异常行为。
 
-## 动态代码执行监控
 
-在Python代码执行时，监视程序的行为并记录其与其他语言的交互。
-
-实现方法：通过在代码执行过程中动态检查导入的模块、调用的函数以及执行的系统调用来实现。使用Python的调试器或操作系统级别的工具（如strace或ltrace）可以帮助捕获这些信息。
 

From 24206b13afe0cac30522f19d7e6930d64df658ac Mon Sep 17 00:00:00 2001
From: sangge-redmi <2251250136@qq.com>
Date: Tue, 14 May 2024 17:49:28 +0800
Subject: [PATCH 3/4] feat: add git lfs

---
 .gitattributes | 1 +
 1 file changed, 1 insertion(+)
 create mode 100644 .gitattributes

diff --git a/.gitattributes b/.gitattributes
new file mode 100644
index 0000000..0a3d8c2
--- /dev/null
+++ b/.gitattributes
@@ -0,0 +1 @@
+*.webp filter=lfs diff=lfs merge=lfs -text

From 3e0dd66d31155c24f1e8994ed21997d7211b3514 Mon Sep 17 00:00:00 2001
From: sangge-redmi <2251250136@qq.com>
Date: Tue, 14 May 2024 17:50:16 +0800
Subject: [PATCH 4/4] doc: add project's banner

---
 README.md   | 1 +
 banner.webp | 3 +++
 2 files changed, 4 insertions(+)
 create mode 100644 banner.webp

diff --git a/README.md b/README.md
index 7507584..1bb337d 100644
--- a/README.md
+++ b/README.md
@@ -1,5 +1,6 @@
 # BackDoorBuster
 
+![BackDoorBuster Banner](./banner.webp)
 ## 项目背景
 
 随着网络安全威胁的增加，恶意软件和后门的检测成为了保护个人和组织数据安全的重要任务。后门通常被隐藏在合法软件中，给黑客提供远程控制目标系统的能力。本项目旨在开发一个工具，能够有效识别和评估潜在的后门风险。
diff --git a/banner.webp b/banner.webp
new file mode 100644
index 0000000..bac8be2
--- /dev/null
+++ b/banner.webp
@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:2a0c2858095a5d08456c1b933cc4322d43516f0864091da4150444ea148c5d9c
+size 490036