| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 恶意代码研究综述 | 第18-27页 |
| 2.1 恶意代码的发展与危害 | 第18页 |
| 2.2 恶意代码种类介绍 | 第18-20页 |
| 2.2.1 计算机病毒 | 第19页 |
| 2.2.2 木马病毒 | 第19页 |
| 2.2.3 蠕虫病毒 | 第19-20页 |
| 2.3 恶意代码命名规则介绍 | 第20-21页 |
| 2.4 恶意代码对抗技术介绍 | 第21-24页 |
| 2.4.1 加壳技术 | 第21-22页 |
| 2.4.2 混淆技术 | 第22-23页 |
| 2.4.3 变形技术 | 第23页 |
| 2.4.4 反沙箱技术 | 第23-24页 |
| 2.4.5 虚拟机保护技术 | 第24页 |
| 2.5 恶意代码查杀技术 | 第24-27页 |
| 2.5.1 简单特征码引擎 | 第24-25页 |
| 2.5.2 广谱特征码引擎 | 第25页 |
| 2.5.3 启发式杀毒引擎 | 第25页 |
| 2.5.4 云查杀引擎 | 第25-26页 |
| 2.5.5 人工智能引擎 | 第26-27页 |
| 第三章 基于深度神经网络的恶意代码变种检测方案研究 | 第27-43页 |
| 3.1 基于恶意代码图像化的变种检测方案 | 第27-36页 |
| 3.1.1 恶意代码图像化方案 | 第28-32页 |
| 3.1.2 基于Densenet算法的神经网络模型 | 第32-36页 |
| 3.2 基于恶意代码动态执行序列的变种检测方案 | 第36-43页 |
| 3.2.1 恶意代码序列化方案 | 第36-38页 |
| 3.2.2 基于改进TextCNN算法的神经网络模型 | 第38-43页 |
| 第四章 恶意代码变种检测系统 | 第43-52页 |
| 4.1 总体设计 | 第43页 |
| 4.2 文件预处理模块 | 第43-45页 |
| 4.2.1 文件筛选 | 第44页 |
| 4.2.2 文件存储 | 第44页 |
| 4.2.3 文件标注 | 第44-45页 |
| 4.3 沙箱模块 | 第45-46页 |
| 4.3.1 沙箱简介 | 第45页 |
| 4.3.2 沙箱构建 | 第45-46页 |
| 4.3.3 沙箱设置 | 第46页 |
| 4.4 恶意代码图像化模块 | 第46-48页 |
| 4.4.1 代码反汇编 | 第47页 |
| 4.4.2 代码截断 | 第47-48页 |
| 4.4.3 代码转灰度图 | 第48页 |
| 4.4.4 恶意代码图像增强 | 第48页 |
| 4.5 恶意代码序列化模块 | 第48-50页 |
| 4.5.1 API序列提取 | 第49页 |
| 4.5.2 API序列截断 | 第49页 |
| 4.5.3 词库构建与初始向量生成 | 第49-50页 |
| 4.6 算法模块 | 第50-51页 |
| 4.6.1 算法环境构建 | 第50页 |
| 4.6.2 模型构建 | 第50-51页 |
| 4.7 输出模块 | 第51-52页 |
| 第五章 实验结果分析 | 第52-67页 |
| 5.1 实验环境 | 第52页 |
| 5.1.1 硬件环境 | 第52页 |
| 5.1.2 软件环境 | 第52页 |
| 5.2 检测指标 | 第52-53页 |
| 5.2.1 F-measure | 第53页 |
| 5.2.2 logloss | 第53页 |
| 5.3 实验结果 | 第53-67页 |
| 5.3.1 恶意样本图像化变种检测实验 | 第54-60页 |
| 5.3.2 恶意样本序列化变种检测实验 | 第60-64页 |
| 5.3.3 恶意样本组合模型变种检测实验 | 第64-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 问题与展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 缩略语 | 第72-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间发表论文专利 | 第74页 |
