Инструменты для извлечения признаков из двоичных данных изображений

Я не думаю, что это осуществимо.

Проблема в том, что это старые эксплойты, и обучение на них мало что скажет вам о будущих эксплойтах. Потому что это крайне несбалансированная проблема: ни один эксплойт не использует то же самое, что и другой. Таким образом, даже если вы сгенерируете несколько файлов одного типа, в конечном итоге у вас, вероятно, будет соответствующий единственный учебный пример, например, для каждого эксплойта.

Тем не менее, вам нужно извлечь функции из метаданных файла. Вот где эксплойты, а не в реальном изображении. Таким образом, синтаксический анализ файлов уже является областью, в которой возникает проблема, и ваш инструмент обнаружения может стать уязвимым именно для такого эксплойта.

Поскольку данные могут быть сжаты, простая бинарная функция тоже не сработает.

Вы, вероятно, вообще не хотите смотреть на фактические данные пикселей, так как повреждение больше всего (почти наверняка) лежит в заголовке файла с его разными «фрагментами» (пример для png, работает по-разному, но так же для других форматов) :

http://en.wikipedia.org/wiki/Portable_Network_Graphics#File_header

Должно быть просто выбрать функции, создать программу, которая считывает всю информацию заголовка из файла, а если информация отсутствует, и использовать эту информацию в качестве функций. Все равно будет намного меньше, чем ненужные необработанные данные изображения.

О, и всегда начинайте с более простых алгоритмов, таких как pca вместе с kmeans или чем-то еще, и если они не сработают, вы должны использовать большие пушки.