Всегда пожалуйста!

https://en.wikipedia.org/wiki/String-searching_algorithm

Файлы произвольные?

Даже не знаю как ответить на твой вопрос. :-) Скорее всего нет, потому что даже url-encoded стринга в джаваскрипте имеет свой паттерн повторяющихся значений.

Тебе сорцы C/C++ парсить надо? Или бинарники?

https://ru.wikipedia.org/wiki/Алгоритм_Ахо_—_Корасик

Очень интересно услышать ваши мнения.

Фигли тут слушать - иди лабу делай! Бери регэкспы и вперед.

Только скриптовые языки, значит только сорсы.

Не факт, что это лаба, может быть тестовое задание в каком-нибудь ЛК на младшего помощника младшего аналитика.

fix

на помощника-стажёра младшего аналитика

Я не думаю что здесь нужны регэкспы, а вот алгоритм Ахо-Карасик это действительно круть и скорее всего я буду использовать именно его.

Я не думаю что здесь нужны регэкспы, а вот алгоритм Ахо-Карасик

... например, используется в утилите поиска grep


напишешь алгоритм быстрее grep - выкладывай на гитхаб

... например, используется в утилите поиска grep

... алгоритм Бойера-Мура https://lists.freebsd.org/pipermail/freebsd-current/2010-August/019310.html

grep )

а вот алгоритм Ахо-Карасик это действительно круть и скорее всего я буду использовать именно его.

В этой области были и более новые алгоритмы, с лучшей производительностью. Но они посложнее в том смысле, что полных внятных описаний ещё нет. Только в виде научных статей.

Хранить чек-сумму и в случае если она не совпадает с сохраненной откатываться на старую версию. С эвристиками можно очень долго играться, но все равно будут обфусцировать код по-новому.

У меня первое правило - заставь это работать, а потом разбирайся с производительностью)

Регэкспами задача на питоне решается за очень смешное время (в плане написания кода) и с не плохой производительностью в не краевых случаях. Поэтому я бы сделал на них, а потом думал - надо ли что-то менять под условия задачи (ну мб там файлы размеров по гигабайту, тогда да, не прокатит в лоб).

Ты не тому ответил, видимо, я ничего не писал про производительность и регеспы.

Если решать по-нормальному, задача очень нетривиальная. Скриптовые вирусы же легко обфусцировать. Ахо-Корасик, если применять «в лоб» не сработает если в вирусе просто добавить пробел, например.

Лучше хотя бы токенизировать (и образцы, и код), сравнивать «строки» состоящие из символов-токенов.

Но это тоже не особо поможет, если обфусцируют со знанием дела.

Теоретически можно попробовать какой-нибудь нечеткий поиск, типа строить по образцам автомат Левенштейна с разумной дистанцией https://en.wikipedia.org/wiki/Levenshtein_automaton