| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第14-31页 |
| 1.1 研究背景 | 第14-16页 |
| 1.2 恶意软件概述 | 第16-22页 |
| 1.2.1 恶意软件分类 | 第17-19页 |
| 1.2.2 恶意软件传播途径 | 第19-20页 |
| 1.2.3 恶意软件攻击模型 | 第20-21页 |
| 1.2.4 恶意软件抵抗检测的方法 | 第21-22页 |
| 1.3 恶意软件检测与分析方法研究现状 | 第22-28页 |
| 1.3.1 静态检测与分析方法 | 第22-25页 |
| 1.3.2 动态检测与分析方法 | 第25-28页 |
| 1.4 论文的研究内容 | 第28-31页 |
| 1.4.1 论文的主要工作 | 第28-30页 |
| 1.4.2 论文的主要创新点 | 第30页 |
| 1.4.3 论文的组织结构 | 第30-31页 |
| 第2章 基于XML的恶意行为特征描述方法 | 第31-44页 |
| 2.1 意行为定义 | 第31-33页 |
| 2.2 恶意行为的捕获 | 第33-37页 |
| 2.2.1 静态分析法 | 第33页 |
| 2.2.2 动态分析法 | 第33-37页 |
| 2.3 恶意行为特征的描述 | 第37-44页 |
| 第3章 一种隐藏注入模块的应用层行为监控方法 | 第44-55页 |
| 3.1 现有方法及不足 | 第44-46页 |
| 3.2 隐藏注入模块的新方法 | 第46-51页 |
| 3.2.1 隐藏模块的实现步骤 | 第47-48页 |
| 3.2.2 抹掉PE头对抗暴力枚举 | 第48-49页 |
| 3.2.3 释放DLL同时保留其资源 | 第49页 |
| 3.2.4 保持模块“活性” | 第49-50页 |
| 3.2.5 线程伪装 | 第50-51页 |
| 3.3 两个特殊问题的解决 | 第51页 |
| 3.4 实验结果与分析 | 第51-54页 |
| 3.5 小结 | 第54-55页 |
| 第4章 基于Secret Inline Hook技术的内核行为监控方法 | 第55-65页 |
| 4.1 传统的Hook技术 | 第55-58页 |
| 4.2 传统技术的不足 | 第58-59页 |
| 4.3 Secret Inline Hook技术 | 第59-61页 |
| 4.4 Secret Inline Hook的优缺点 | 第61页 |
| 4.5 实验结果与分析 | 第61-64页 |
| 4.6 小结 | 第64-65页 |
| 第5章 时间序列SimHash-LCS分析算法 | 第65-82页 |
| 5.1 时间序列相关知识 | 第65-67页 |
| 5.2 现有方法的不足 | 第67-68页 |
| 5.3 分类算法的基本思想 | 第68-70页 |
| 5.4 SimHash-LCS算法的描述和实现 | 第70-79页 |
| 5.4.1 行为特征描述 | 第70-72页 |
| 5.4.2 数据变换算法 | 第72-76页 |
| 5.4.3 时间序列匹配算法 | 第76-79页 |
| 5.4.4 相似度与阈值 | 第79页 |
| 5.5 算法性能分析 | 第79-80页 |
| 5.6 实验结果及分析 | 第80-81页 |
| 5.7 小结 | 第81-82页 |
| 第6章 基于BP神经网络的软件行为评估方法 | 第82-94页 |
| 6.1 相关背景知识 | 第82-86页 |
| 6.2 恶意行为映射表 | 第86页 |
| 6.3 映射算法 | 第86-87页 |
| 6.4 样本训练 | 第87-88页 |
| 6.5 神经网络的构建 | 第88页 |
| 6.6 BP神经网络各参数选择 | 第88-91页 |
| 6.6.1 输入层到隐层的输出函数选择 | 第89-90页 |
| 6.6.2 隐层到输出层函数的选择 | 第90-91页 |
| 6.6.3 调整因子的选择 | 第91页 |
| 6.7 实验结果及分析 | 第91-93页 |
| 6.8 小结 | 第93-94页 |
| 第7章 基于SVM的软件行为评估方法 | 第94-103页 |
| 7.1 相关背景知识 | 第94-97页 |
| 7.2 分类模型选择 | 第97-98页 |
| 7.3 SVM算子和参数的确定 | 第98-102页 |
| 7.3.1 理论分析 | 第98-99页 |
| 7.3.2 网格法粗选 | 第99-100页 |
| 7.3.3 遗传算法精选 | 第100-102页 |
| 7.4 实验结果及分析 | 第102页 |
| 7.5 小结 | 第102-103页 |
| 第8章 灰色极限学习机模型 | 第103-123页 |
| 8.1 相关背景知识 | 第103-108页 |
| 8.2 ELM模型的不足 | 第108-109页 |
| 8.3 灰色极限学习机模型的构造 | 第109-113页 |
| 8.3.1 灰系统理论的引入 | 第109-111页 |
| 8.3.2 灰色极限学习机模型的建立 | 第111-113页 |
| 8.4 仿真实验与性能分析 | 第113-121页 |
| 8.4.1 预测精度实验与分析 | 第113-119页 |
| 8.4.2 分类准确度实验与分析 | 第119-121页 |
| 8.5 恶意行为分析实验 | 第121-122页 |
| 8.6 小结 | 第122-123页 |
| 第9章 总结与展望 | 第123-127页 |
| 9.1 本文的总结 | 第123-126页 |
| 9.2 展望 | 第126-127页 |
| 参考文献 | 第127-136页 |
| 致谢 | 第136-137页 |
| 读研期间的学术成果 | 第137页 |