基于分布式沙箱的恶意程序检测系统设计与研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 1 绪论 | 第10-17页 |
| 1.1 选题背景和研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 恶意程序静态分析技术 | 第12页 |
| 1.2.2 恶意程序动态分析技术 | 第12-15页 |
| 1.3 本文的主要工作 | 第15页 |
| 1.4 论文内容结构 | 第15-17页 |
| 2 本文研究相关技术基础 | 第17-28页 |
| 2.1 恶意程序的定义及分类 | 第17-20页 |
| 2.1.1 恶意程序定义 | 第17页 |
| 2.1.2 恶意程序分类 | 第17-20页 |
| 2.2 恶意程序分析方法 | 第20-22页 |
| 2.2.1 静态分析 | 第20-21页 |
| 2.2.2 动态分析 | 第21-22页 |
| 2.3 恶意程序基本特征 | 第22-23页 |
| 2.4 恶意程序动态检测相关技术 | 第23-27页 |
| 2.4.1 特征码扫描检测 | 第24页 |
| 2.4.2 基于程序语义检测 | 第24-25页 |
| 2.4.3 启发式扫描检测 | 第25-26页 |
| 2.4.4 异常检测 | 第26-27页 |
| 2.4.5 沙箱技术 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 关键技术研究 | 第28-37页 |
| 3.1 系统调用获取技术研究 | 第28-30页 |
| 3.1.1 系统调用静态获取技术研究 | 第28-29页 |
| 3.1.2 系统调用动态获取技术研究 | 第29-30页 |
| 3.2 典型恶意行为特征研究 | 第30-33页 |
| 3.2.1 CTB-LOCKER病毒分析报告 | 第30-31页 |
| 3.2.2 Petya病毒分析报告 | 第31-32页 |
| 3.2.3 勒索程序恶意行为小结 | 第32-33页 |
| 3.3 基于随机森林算法的恶意程序检测模型研究 | 第33-37页 |
| 3.3.1 随机森林分类原理 | 第33页 |
| 3.3.2 决策树 | 第33-34页 |
| 3.3.3 随机森林中分裂属性的两个选择度量 | 第34页 |
| 3.3.4 基学习器选择 | 第34-35页 |
| 3.3.5 用于恶意程序检测的分类模型 | 第35-37页 |
| 4 基于分布式沙箱技术的恶意程序检测系统 | 第37-43页 |
| 4.1 系统总体框架设计 | 第37-38页 |
| 4.2 恶意程序分析模块 | 第38-39页 |
| 4.3 恶意程序特征获取模块 | 第39-42页 |
| 4.3.1 API函数特征 | 第40页 |
| 4.3.2 行为特征 | 第40-41页 |
| 4.3.3 内存特征 | 第41-42页 |
| 4.4 恶意程序检测模块 | 第42页 |
| 4.5 本章小结 | 第42-43页 |
| 5 实验与分析 | 第43-49页 |
| 5.1 分布式沙箱系统的搭建 | 第43-44页 |
| 5.1.1 沙箱软硬件配置 | 第43页 |
| 5.1.2 沙箱环境的搭建 | 第43-44页 |
| 5.2 实验数据 | 第44页 |
| 5.3 检测方法测试 | 第44-45页 |
| 5.4 检测结果与分析 | 第45-47页 |
| 5.4.1 与常见算法进行比较 | 第45-47页 |
| 5.4.2 与常见杀毒软件分析比较 | 第47页 |
| 5.5 本章小结 | 第47-49页 |
| 6 结论与展望 | 第49-51页 |
| 6.1 本文主要工作成果 | 第49页 |
| 6.2 工作展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 在学研究成果 | 第54-55页 |
| 致谢 | 第55页 |
