| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第8-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 课题研究的背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 客户端蜜罐 | 第14-15页 |
| 1.2.2 静态检测算法 | 第15-17页 |
| 1.2.3 基于学习分类的方法 | 第17-19页 |
| 1.3 本文的研究内容和组织结构 | 第19-21页 |
| 第2章 恶意网页分析和检测模型 | 第21-31页 |
| 2.1 网页基础知识 | 第21-24页 |
| 2.1.1 HTML基础 | 第21-22页 |
| 2.1.2 网页脚本语言 | 第22-24页 |
| 2.2 恶意网页类型分析 | 第24-25页 |
| 2.2.1 钓鱼网页 | 第24页 |
| 2.2.2 垃圾广告网页 | 第24-25页 |
| 2.2.3 带恶意程序的网页 | 第25页 |
| 2.3 检测模型 | 第25-26页 |
| 2.4 分类方法研究 | 第26-30页 |
| 2.4.1 K 最近邻算法（K-Nearest Neighbor algorithm，KNN） | 第26-28页 |
| 2.4.2 支持向量机（Support Vetor Machine，SVM） | 第28页 |
| 2.4.3 朴素贝叶斯（Naive Bayes） | 第28-29页 |
| 2.4.4 决策树（Decision Tree） | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于网页源代码和网址属性的特征提取方法 | 第31-46页 |
| 3.1 引言 | 第31页 |
| 3.2 常用的网页特征方法研究 | 第31-34页 |
| 3.2.1 内容特征分析 | 第31-32页 |
| 3.2.2 DOM树特征分析 | 第32页 |
| 3.2.3 视觉特征分析 | 第32-33页 |
| 3.2.4 邻居特征分析 | 第33-34页 |
| 3.3 特征选取动机 | 第34页 |
| 3.4 本文的恶意网页特征提取 | 第34-40页 |
| 3.4.1 页面代码类特征提取 | 第35-36页 |
| 3.4.2 脚本类特征提取 | 第36-37页 |
| 3.4.3 网址属性类特征提取 | 第37-40页 |
| 3.5 实验结果及分析 | 第40-45页 |
| 3.5.1 实验数据集 | 第40-41页 |
| 3.5.2 评价指标及分类算法 | 第41-42页 |
| 3.5.3 对比实验 | 第42-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 恶意网页检测系统的设计与实现 | 第46-59页 |
| 4.1 引言 | 第46页 |
| 4.2 系统框架设计 | 第46-47页 |
| 4.3 系统框架实现 | 第47-56页 |
| 4.3.1 网页搜集模块 | 第47-49页 |
| 4.3.2 特征提取模块 | 第49-51页 |
| 4.3.3 数据存储模块 | 第51-53页 |
| 4.3.4 检测分类模块 | 第53-56页 |
| 4.4 实验评估 | 第56-58页 |
| 4.4.1 系统检测性能 | 第56-57页 |
| 4.4.2 时间开销 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 附录A 攻读学位期间所发表的学术论文和参加的项目 | 第67页 |