基于学习的恶意网页智能检测系统
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-13页 |
| ·研究背景 | 第7-10页 |
| ·互联网安全概况 | 第7-9页 |
| ·恶意代码的定义 | 第9页 |
| ·恶意代码的传播 | 第9-10页 |
| ·恶意代码分类 | 第10-12页 |
| ·本文主要研究工作 | 第12页 |
| ·本文组织结构 | 第12-13页 |
| 2 网页恶意代码 | 第13-21页 |
| ·Web概述 | 第13页 |
| ·网页脚本语言 | 第13-16页 |
| ·javascript语言 | 第13-15页 |
| ·VBScript语言 | 第15-16页 |
| ·网页脚本语言的安全 | 第16-17页 |
| ·ActiveX | 第16页 |
| ·Windows脚本宿主 | 第16-17页 |
| ·网页恶意代码 | 第17-19页 |
| ·网页恶意代码分类 | 第18页 |
| ·网页恶意代码攻击原理 | 第18-19页 |
| ·恶意代码检测技术 | 第19-20页 |
| ·基于签名的特征码检测 | 第19页 |
| ·启发式检测 | 第19-20页 |
| ·行为式检测 | 第20页 |
| ·完整性检测 | 第20页 |
| ·虚拟机检测 | 第20页 |
| ·本章小结 | 第20-21页 |
| 3 机器学习 | 第21-32页 |
| ·机器学习概念和模型 | 第21-22页 |
| ·机器学习概念 | 第21页 |
| ·机器学习模型 | 第21-22页 |
| ·机器学习常用方法 | 第22-24页 |
| ·分类算法 | 第24-31页 |
| ·神经网络分类算法 | 第24-28页 |
| ·决策树分类算法 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 4 基于学习的恶意网页智能检测系统 | 第32-44页 |
| ·设计目标与框架 | 第32页 |
| ·数据获取 | 第32-37页 |
| ·网页抓取工具 | 第33-35页 |
| ·样本获取 | 第35-37页 |
| ·样本特征选择与提取 | 第37-43页 |
| ·文本的表示 | 第37-38页 |
| ·样本特征选择 | 第38-41页 |
| ·样本特征提取 | 第41-43页 |
| ·分类器设计 | 第43页 |
| ·本章小结 | 第43-44页 |
| 5 实验与结果 | 第44-59页 |
| ·实验目的 | 第44页 |
| ·实验数据 | 第44-45页 |
| ·分类器性能指标 | 第45-46页 |
| ·实验环节 | 第46-56页 |
| ·OpenCV简介 | 第46-47页 |
| ·实验方法 | 第47页 |
| ·神经网络分类器参数确定 | 第47-51页 |
| ·决策树分类器参数确定 | 第51-56页 |
| ·实验结果 | 第56-58页 |
| ·测试集上分类器性能验证 | 第56页 |
| ·训练集上分类器性能验证 | 第56-57页 |
| ·分类器与杀毒软件对比 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 6 总结 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |
