| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.3 论文主要工作 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-18页 |
| 第二章 恶意代码检测方法的发展现状概述 | 第18-28页 |
| 2.1 恶意代码综述 | 第18-21页 |
| 2.2 JAVASCRIPT概述 | 第21-22页 |
| 2.3 基于机器学习检测JAVASCRIPT | 第22-24页 |
| 2.3.1 JAVASCRIPT机器学习预处理—特征工程 | 第22-23页 |
| 2.3.2 JAVASCRIPT混淆恶意代码检测的常用机器学习方法 | 第23-24页 |
| 2.4 恶意JAVASCRIPT代码检测工具对比 | 第24-28页 |
| 第三章 基于协同训练的JAVASCRIPT混淆恶意代码识别 | 第28-38页 |
| 3.1 目前混淆恶意代码检测存在的问题 | 第28页 |
| 3.2 针对混淆恶意代码检测提出的优化思路 | 第28-34页 |
| 3.2.1 现有JAVASCRIPT特征提取方法的不足之处 | 第28-29页 |
| 3.2.2 JAVASCRIPT特征提取的解决思路 | 第29-31页 |
| 3.2.3 使用协同训练算法检测恶意代码的思路 | 第31-32页 |
| 3.2.4 基于协同训练算法训练恶意代码检测模型 | 第32-34页 |
| 3.3 混淆恶意代码检测的实验结果 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于深度学习的JAVASCRIPT混淆恶意代码分类 | 第38-52页 |
| 4.1 目前混淆恶意代码分类存在的问题 | 第38页 |
| 4.2 基于词向量的JAVASCRIPT局部特征表示 | 第38-46页 |
| 4.2.1 JAVASCRIPT代码恶意类型分析 | 第39-42页 |
| 4.2.2 基于语法树对JAVASCRIPT代码进行分词 | 第42-43页 |
| 4.2.3 基于词向量表示不同类型的恶意代码局部特征 | 第43-46页 |
| 4.3 使用JAVASCRIPT局部特征训练CNN模型 | 第46-49页 |
| 4.3.1 使用CNN对恶意代码分类的可行性分析 | 第46-48页 |
| 4.3.2 基于CNN训练恶意代码分类模型 | 第48-49页 |
| 4.4 混淆恶意代码分类的实验结果 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 基于机器学习的JAVASCRIPT实时检测工具的实现 | 第52-60页 |
| 5.1 使用机器学习方法实时检测JAVASCRIPT代码的CHROME扩展 | 第52-55页 |
| 5.1.1 工具:CHROME扩展 | 第52-53页 |
| 5.1.2 系统检测接口 | 第53-54页 |
| 5.1.3 接口与扩展的结合 | 第54-55页 |
| 5.2 工具检测实验结果 | 第55-59页 |
| 5.2.1 CHROME扩展检测效果 | 第55-57页 |
| 5.2.2 与商用工具VIRUSTOTAL对比 | 第57-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间发表的学术论文 | 第68页 |
