基于操作码行为深度学习的恶意代码检测方法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外相关技术发展现状 | 第10-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第2章 恶意代码检测方法研究概述 | 第14-22页 |
| 2.1 恶意代码预处理 | 第14-18页 |
| 2.1.1 查壳和脱壳 | 第14-15页 |
| 2.1.2 分析反汇编文本 | 第15-18页 |
| 2.2 恶意代码检测技术 | 第18-21页 |
| 2.2.1 基于签名的检测 | 第18页 |
| 2.2.2 特征码检验 | 第18-19页 |
| 2.2.3 启发式法检验 | 第19页 |
| 2.2.4 完整性检验 | 第19-20页 |
| 2.2.5 权限控制法 | 第20页 |
| 2.2.6 行为法 | 第20页 |
| 2.2.7 机器学习和数据挖掘的检测方法 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 基于深度置信网络的恶意代码检测 | 第22-37页 |
| 3.1 引言 | 第22页 |
| 3.2 操作码特征提取 | 第22-24页 |
| 3.2.1 n-gram 算法提取特征 | 第22-23页 |
| 3.2.2 特征选择方法 | 第23-24页 |
| 3.3 面向恶意代码检测的深度置信网络 | 第24-36页 |
| 3.3.1 RBM 预训练 | 第26-29页 |
| 3.3.2 DBN 无监督反馈调节过程 | 第29-31页 |
| 3.3.3 BP 反馈调节过程 | 第31-32页 |
| 3.3.4 深度置信网络模型 | 第32-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 系统设计与实验结果分析 | 第37-64页 |
| 4.1 引言 | 第37-38页 |
| 4.1.1 恶意代码检测模型系统 | 第37-38页 |
| 4.1.2 恶意代码检测实验数据 | 第38页 |
| 4.2 恶意代码特征选取 | 第38-41页 |
| 4.2.1 基于信息增益的恶意代码特征选取 | 第39-40页 |
| 4.2.2 基于文档频率的恶意代码特征选取 | 第40-41页 |
| 4.3 深度模型结构 | 第41-45页 |
| 4.3.1 1-gram 时模型结构 | 第41-43页 |
| 4.3.2 2-gram 时模型结构 | 第43-44页 |
| 4.3.3 3-gram 时模型结构 | 第44页 |
| 4.3.4 4-gram 时模型结构 | 第44-45页 |
| 4.4 分类结果对比 | 第45-63页 |
| 4.4.1 1-gram 时分类结果 | 第46-50页 |
| 4.4.2 2-gram 时分类结果 | 第50-54页 |
| 4.4.3 3-gram 时分类结果 | 第54-57页 |
| 4.4.4 4-gram 时分类结果 | 第57-61页 |
| 4.4.5 实验结果总结 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |
