Dataset url: https://figshare.com/s/4a007e78f29243531b8c
环境:
- Java: Java 11.
- IntelliJ Idea. (We have found that the extractor artifact works well only under IntelliJ Idea to build the artifact. Tested successful under Windows IntelliJ Idea 2021.2)
- 需要Ghidra: 9.1.2版本（/data/share/LibDB_data/目录下有ghidra.jar）. 首先将ghidra.jar文件放在 /featureExtractor/bcat_client/lib 目录下.
- 用IDEA打开 featureExtractor 目录，等待索引完成，如出错，重新打开项目。
- File -> Project Structure -> Project SDK, 选择 Java SDK 11，若没有则选择Download JDK下载即可.
- 修改代码： 1）在consumer目录下选择要使用的task，取消该类的注释@Component并保存，检查其他类的@Component并加上注释. 2）使用 apt/brew 命令安装 libmagic 并记下安装目录，修改 LibmagicJnaWrapper.java 里用到的 libmagic 路径。 3）修改并检查其他代码中包含的路径。
- File -> Project Structure -> Artifacts -> "+" -> jar -> from modules with dependencies -> Module ("bcat_client") -> Main Class ("/path/to/ClientApplication") -> JAR files from libraries (选择 copy to the output directory and link via manifest) -> Directory for META-INF/MANIFEST.MF: 选择到 bcat_cline 目录下（不要到/src/main/java）-> Apply -> OK。
- Build -> Build Artifacts -> build.
- 然后jar包就会生成在以下目录: featureExtractor\out\artifacts\bcat_client_jar, 里面包含 bcat_client.jar. 注：修改代码后build -> build artifacts -> rebuild 后再上传jar包使用即可
-
上传 bcat_client_jar 目录至服务器/path/to/LibDB/main/torch/，在torch目录下运行以下命令，启动springboot应用程序，应用启动后将自动执行 /consumer 目录下的 Task 组件 java -jar ./processTarget/bcat_client.jar 注：运行的jar包，以调用jar所在的目录为运行时目录。
-
创建并启动 conda 环境，安装相关依赖。
conda create -n tpldetection python=3.8 ipykernel
bash
conda activate tpldetection
pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/lts/1.8/torch_lts.html
pip install -r requirements.txt
- 启动 docker milvus ，第一次拉取milvus镜像和启动容器见github上，之后只需使用 docker start <容器id> 启动，（docker ps 查看运行中的容器，docker ps -a 查看所有容器及其id）
Milvus v1.1.1(vector search engine) is necessary for function retrival. It requires docker 19.03 or higher ref: https://milvus.io/docs/v1.1.1/milvus_docker-cpu.md
sudo docker pull milvusdb/milvus:1.1.1-cpu-d061621-330cc6mkdir -p /home/$USER/milvus/conf
cd /home/$USER/milvus/conf
wget https://raw.githubusercontent.com/milvus-io/milvus/v1.1.1/core/conf/demo/server_config.yamlsudo docker run -d --name milvus \
-p 19530:19530 \
-p 19121:19121 \
-v /home/$USER/milvus/db:/var/lib/milvus/db \
-v /home/$USER/milvus/conf:/var/lib/milvus/conf \
-v /home/$USER/milvus/logs:/var/lib/milvus/logs \
-v /home/$USER/milvus/wal:/var/lib/milvus/wal \
milvusdb/milvus:1.1.1-cpu-d061621-330cc6-
训练（已有模型，可跳过）
-
建立数据库，以及bin2func_num.pkl, funcs_fcg_dir, id2key_dir（可跳过，只需拉取milvus镜像，并复制已构建好的数据库目录即可，其他文件复制过来即可） 顺序运行：
core_fedora_embeddings.py
build_milvus_database.py
- 检测目标 顺序运行：
TaskProcessTargets.java 结果储存在data目录下的detection_results/feature_json目录下
function_vector_channel.py 结果储存在torch目录下tpl_results.json
analyze_results.py 结果储存在torch目录下tpl_version_results.json