僵尸工具类恶意代码的检测研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 引言 | 第11-19页 |
| ·研究背景 | 第11-16页 |
| ·恶意代码的安全威胁 | 第11-13页 |
| ·僵尸工具的安全威胁 | 第13-14页 |
| ·恶意代码的分类及特性 | 第14-16页 |
| ·课题来源 | 第16-17页 |
| ·主要研究工作 | 第17-18页 |
| ·论文组织结构 | 第18页 |
| ·小结 | 第18-19页 |
| 第二章 恶意代码检测技术与反检测技术研究 | 第19-25页 |
| ·国内外现有的检测技术研究 | 第19-22页 |
| ·特征码扫描 | 第19-20页 |
| ·行为分析检测 | 第20页 |
| ·模式识别方法 | 第20-21页 |
| ·虚拟机技术 | 第21-22页 |
| ·国内外主要的反检测技术 | 第22-23页 |
| ·加密变形技术 | 第22-23页 |
| ·程序演化技术 | 第23页 |
| ·重定位技术 | 第23页 |
| ·检测技术存在的问题 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第三章 僵尸工具类恶意代码特征研究与分析 | 第25-32页 |
| ·分析典型僵尸工具样本特征 | 第25-26页 |
| ·Spybot 样本特征分析 | 第25-26页 |
| ·Agobot 样本特征分析 | 第26页 |
| ·僵尸工具行为特征研究 | 第26-29页 |
| ·分析传播特征 | 第26-27页 |
| ·分析控制特征 | 第27-28页 |
| ·分析混淆与欺骗的特征 | 第28-29页 |
| ·分析攻击特征 | 第29页 |
| ·基于有限自动机的行为特征模型 | 第29-31页 |
| ·小结 | 第31-32页 |
| 第四章 基于BP 神经网络的恶意代码检测方法 | 第32-45页 |
| ·机器学习 | 第32-33页 |
| ·机器学习概念 | 第32-33页 |
| ·机器学习主要策略 | 第33页 |
| ·人工神经网络 | 第33-36页 |
| ·人工神经网络概念 | 第33-34页 |
| ·单层感知模型的学习方法 | 第34-36页 |
| ·BP 神经网络模型 | 第36-37页 |
| ·BP 神经网络概念 | 第36-37页 |
| ·BP 神经网络学习算法 | 第37页 |
| ·基于BP 网络的恶意代码识别 | 第37-44页 |
| ·BP 网络的特征定义和量化 | 第37-40页 |
| ·BP 神经网络结构设计 | 第40-41页 |
| ·BP 神经网络的样本训练 | 第41-43页 |
| ·BP 神经网络的训练结果 | 第43-44页 |
| ·小结 | 第44-45页 |
| 第五章 恶意代码样本收集和预处理 | 第45-53页 |
| ·样本的获取 | 第45-49页 |
| ·搭建环境收集恶意代码 | 第45-46页 |
| ·搭建模拟用的僵尸网络环境（IRC） | 第46-47页 |
| ·收集情况 | 第47-49页 |
| ·行为特征库的建立 | 第49-52页 |
| ·样本数据分析 | 第49-50页 |
| ·建立特征库 | 第50-52页 |
| ·特征库的配置 | 第52页 |
| ·小结 | 第52-53页 |
| 第六章 恶意代码检测系统的实现与测试 | 第53-76页 |
| ·系统体系结构 | 第53-58页 |
| ·系统需求分析 | 第53页 |
| ·系统网络拓扑结构 | 第53-55页 |
| ·系统框架结构 | 第55-58页 |
| ·关键模块和技术实现 | 第58-67页 |
| ·恶意代码行为监控实现 | 第58-62页 |
| ·恶意代码网络监控实现 | 第62-66页 |
| ·系统还原和恢复 | 第66-67页 |
| ·系统测试 | 第67-75页 |
| ·测试环境搭建 | 第67-69页 |
| ·行为监控模块测试 | 第69-72页 |
| ·网络监控模块测试 | 第72-73页 |
| ·样本测试 | 第73-75页 |
| ·小结 | 第75-76页 |
| 第七章 总结 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 攻读硕士研究生期间的研究成果 | 第82-83页 |
