| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题的研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 相关理论及技术概述 | 第16-32页 |
| 2.1 恶意软件分类 | 第16-17页 |
| 2.2 恶意软件分析技术 | 第17-19页 |
| 2.2.1 静态分析方法 | 第17-18页 |
| 2.2.2 动态分析方法 | 第18-19页 |
| 2.3 经典分类算法介绍 | 第19-26页 |
| 2.3.1 逻辑回归 | 第19-21页 |
| 2.3.2 支持向量机 | 第21-23页 |
| 2.3.3 决策树 | 第23-26页 |
| 2.4 深度学习相关算法介绍 | 第26-31页 |
| 2.4.1 递归神经网络 | 第27-29页 |
| 2.4.2 长短时记忆模型 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 软件样本特征提取 | 第32-47页 |
| 3.1 特征提取框架 | 第32-34页 |
| 3.2 静态分析特征提取 | 第34-39页 |
| 3.2.1 PE文件头信息提取 | 第34-38页 |
| 3.2.2 可读字符串提取 | 第38-39页 |
| 3.3 动态分析特征提取 | 第39-45页 |
| 3.3.1 动态分析 | 第39-41页 |
| 3.3.2 API调用特征生成 | 第41-45页 |
| 3.3.3 网络通信特征提取 | 第45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于机器学习的恶意软件识别 | 第47-71页 |
| 4.1 概述 | 第47-49页 |
| 4.2 基于XGBoost的恶意软件识别 | 第49-57页 |
| 4.2.1 算法框架 | 第49-50页 |
| 4.2.2 算法具体流程 | 第50-57页 |
| 4.3 基于深度学习的恶意软件识别 | 第57-69页 |
| 4.3.1 基于LSTM的API时间序列高层特征提取 | 第57-64页 |
| 4.3.2 基于深度神经网络的恶意软件识别 | 第64-69页 |
| 4.4 本章小节 | 第69-71页 |
| 第五章 实验结果分析 | 第71-75页 |
| 5.1 算法效果评价方法 | 第71-72页 |
| 5.2 实验结果及分析 | 第72-74页 |
| 5.3 本章小结 | 第74-75页 |
| 第六章 全文总结与展望 | 第75-78页 |
| 6.1 全文总结 | 第75-76页 |
| 6.2 未来展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间取得的成果 | 第83-84页 |