基于虚拟化技术的恶意软件检测系统的研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文主要内容 | 第13-14页 |
| 1.4 论文章节安排 | 第14-15页 |
| 第二章 虚拟化技术研究 | 第15-25页 |
| 2.1 虚拟化简介 | 第15-17页 |
| 2.1.1 虚拟化技术的定义 | 第15-16页 |
| 2.1.2 虚拟化技术分类 | 第16-17页 |
| 2.2 主流虚拟化技术介绍 | 第17-18页 |
| 2.2.1 ESX的虚拟化架构 | 第17页 |
| 2.2.2 Hyper-V的虚拟化架构 | 第17-18页 |
| 2.2.3 XEN的虚拟化架构 | 第18页 |
| 2.2.4 KVM的虚拟化架构 | 第18页 |
| 2.3 虚拟机自省技术研究 | 第18-24页 |
| 2.3.1 虚拟机自省概述 | 第19页 |
| 2.3.2 虚拟机自省的分类 | 第19-22页 |
| 2.3.3 虚拟机自省技术的应用 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 恶意软件检测技术研究 | 第25-32页 |
| 3.1 恶意软件检测方法 | 第25-27页 |
| 3.1.1 静态检测方法 | 第25-26页 |
| 3.1.2 动态检测方法 | 第26-27页 |
| 3.2 内存取证技术 | 第27-28页 |
| 3.2.1 内存取证技术的定义 | 第27页 |
| 3.2.2 基于硬件的内存获取 | 第27-28页 |
| 3.2.3 基于软件的内存获取 | 第28页 |
| 3.3 机器学习算法 | 第28-31页 |
| 3.3.1 有监督机器学习算法 | 第28-30页 |
| 3.3.2 无监督机器学习算法 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 系统总体设计与实现 | 第32-41页 |
| 4.1 系统总体设计 | 第32-35页 |
| 4.1.1 总体设计目标 | 第32-33页 |
| 4.1.2 总体架构 | 第33页 |
| 4.1.3 带外恶意软件检测方法 | 第33-35页 |
| 4.2 特征提取模块 | 第35-38页 |
| 4.2.1 API特征提取 | 第36页 |
| 4.2.2 恶意代码图像特征提取 | 第36-37页 |
| 4.2.3 PE Section特征提取 | 第37页 |
| 4.2.4 操作码特征提取 | 第37-38页 |
| 4.2.5 内存元特征提取 | 第38页 |
| 4.3 分类模块 | 第38-40页 |
| 4.3.1 AdaBoost集成模型 | 第39-40页 |
| 4.3.2 Voting结合策略 | 第40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 实验与分析 | 第41-51页 |
| 5.1 实验环境 | 第41页 |
| 5.2 实验数据集与评测指标 | 第41-43页 |
| 5.2.1 实验数据集 | 第41-42页 |
| 5.2.2 评测指标 | 第42-43页 |
| 5.3 实验过程和结果分析 | 第43-46页 |
| 5.3.1 实验过程 | 第43-44页 |
| 5.3.2 结果分析 | 第44-46页 |
| 5.4 性能分析 | 第46-48页 |
| 5.5 系统开销 | 第48页 |
| 5.6 现有工作对比 | 第48-50页 |
| 5.7 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-52页 |
| 6.1 本文总结 | 第51页 |
| 6.2 未来展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 发表论文和科研情况说明 | 第56-57页 |
| 致谢 | 第57页 |
