| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.3 研究目标与内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 基于GA-HMM的软件行为识别及态势预测框架 | 第16-39页 |
| 2.1 软件行为识别和态势预测概述 | 第16-17页 |
| 2.2 HMM | 第17-26页 |
| 2.2.1 HMM的前身 | 第17-18页 |
| 2.2.2 HMM概述 | 第18-20页 |
| 2.2.3 HMM的基本算法 | 第20-26页 |
| 2.3 GA | 第26-33页 |
| 2.3.1 GA概述 | 第26-27页 |
| 2.3.2 GA基本操作 | 第27-32页 |
| 2.3.3 GA的数学模型 | 第32-33页 |
| 2.4 GA-HMM | 第33-34页 |
| 2.5 基于GA-HMM的软件行为识别及态势预测框架 | 第34-38页 |
| 2.5.1 建立知识库 | 第35页 |
| 2.5.2 基于GA-HMM的软件行为识别 | 第35-36页 |
| 2.5.3 基于GA-HMM的态势预测 | 第36-37页 |
| 2.5.4 基于GA-HMM的软件行为识别及态势预测框架 | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第3章 基于GA-HMM的软件行为识别及态势预测实现 | 第39-50页 |
| 3.1 系统调用 | 第39-40页 |
| 3.2 离线训练 | 第40-45页 |
| 3.2.1 数据预处理 | 第40-41页 |
| 3.2.2 多序列训练 | 第41-43页 |
| 3.2.3 知识库的建立 | 第43-45页 |
| 3.3 在线检测 | 第45-49页 |
| 3.3.1 在线行为识别 | 第45-48页 |
| 3.3.2 在线态势预测 | 第48-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 仿真实验与结果分析 | 第50-60页 |
| 4.1 实验平台 | 第50页 |
| 4.2 实验数据 | 第50-51页 |
| 4.3 评价指标 | 第51-52页 |
| 4.4 参数设置 | 第52-53页 |
| 4.4.1 HMM相关参数设置 | 第52-53页 |
| 4.4.2 GA相关参数设置 | 第53页 |
| 4.4.3 其他参数设置 | 第53页 |
| 4.5 实验与结果分析 | 第53-59页 |
| 4.5.1 优化HMM的参数B | 第53-54页 |
| 4.5.2 两种模型的比较 | 第54-58页 |
| 4.5.3 GA-HMM下两种软件行为识别方法的比较 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第66-68页 |
| 致谢 | 第68页 |
