基于行为分析的木马检测算法在ICS中的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-19页 |
| 1.2.1 ICS概述 | 第12页 |
| 1.2.2 ICS脆弱性分析 | 第12-14页 |
| 1.2.3 ICS与传统信息系统的区别 | 第14-15页 |
| 1.2.4 ICS信息安全标准研究现状 | 第15-17页 |
| 1.2.5 ICS安全防护技术分析 | 第17-19页 |
| 1.3 研究内容 | 第19页 |
| 1.4 论文结构安排 | 第19-20页 |
| 1.5 本章小结 | 第20-22页 |
| 2 木马检测技术研究 | 第22-30页 |
| 2.1 木马的相关基础知识 | 第22-25页 |
| 2.1.1 木马的定义 | 第22-23页 |
| 2.1.2 木马的特征 | 第23-24页 |
| 2.1.3 木马的分类 | 第24-25页 |
| 2.2 常用的木马检测技术 | 第25-28页 |
| 2.2.1 特征码检测技术 | 第25-26页 |
| 2.2.2 入侵检测技术 | 第26-27页 |
| 2.2.3 实时监控技术 | 第27页 |
| 2.2.4 虚拟机检测技术 | 第27-28页 |
| 2.2.5 云安全技术 | 第28页 |
| 2.2.6 行为检测技术 | 第28页 |
| 2.3 本章小结 | 第28-30页 |
| 3 行为分析技术在木马检测中的研究 | 第30-36页 |
| 3.1 常用的木马检测算法 | 第30-31页 |
| 3.1.1 贝叶斯分类木马检测算法 | 第30页 |
| 3.1.2 支持向量机分类木马检测算法 | 第30-31页 |
| 3.1.3 人工免疫木马检测算法 | 第31页 |
| 3.1.4 神经网络木马检测算法 | 第31页 |
| 3.2 目前木马检测分类算法的不足 | 第31-32页 |
| 3.3 基于模糊模式识别的木马检测算法研究 | 第32-34页 |
| 3.3.1 模糊模式识别简介 | 第32页 |
| 3.3.2 算法描述 | 第32-34页 |
| 3.4 本章小结 | 第34-36页 |
| 4 改进的模糊模式识别木马检测算法研究 | 第36-48页 |
| 4.1 改进算法描述 | 第36-37页 |
| 4.2 特征提取关键技术 | 第37-41页 |
| 4.2.1 进程监控 | 第37-39页 |
| 4.2.2 文件监控 | 第39-40页 |
| 4.2.3 注册表监控 | 第40-41页 |
| 4.3 改进的模糊模式识别算法 | 第41-45页 |
| 4.3.1 构建行为特征库 | 第41-42页 |
| 4.3.2 计算模糊集 | 第42-43页 |
| 4.3.3 计算信息熵 | 第43-45页 |
| 4.3.4 计算贴近度 | 第45页 |
| 4.4 算法实验分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 基于主机行为和网络行为的二次检测模型 | 第48-58页 |
| 5.1 概述 | 第48页 |
| 5.2 二次检测模型设计 | 第48-51页 |
| 5.2.1 检测模型 | 第49-50页 |
| 5.2.2 网络行为识别算法 | 第50-51页 |
| 5.3 实验结果与分析 | 第51-56页 |
| 5.3.1 实验环境 | 第51-53页 |
| 5.3.2 评价指标 | 第53-54页 |
| 5.3.3 数据来源 | 第54页 |
| 5.3.4 实验分析 | 第54-56页 |
| 5.3.5 结论 | 第56页 |
| 5.4 本章小结 | 第56-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第64页 |
