基于深度学习的恶意程序检测与分类
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 研究内容及章节安排 | 第17-19页 |
| 第二章 相关理论与技术 | 第19-33页 |
| 2.1 深度学习 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-28页 |
| 2.2.1 人工神经网络基本理论 | 第20-25页 |
| 2.2.2 CNN层次结构 | 第25-28页 |
| 2.3 SVM算法 | 第28-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于描述信息的恶意代码检测与分类 | 第33-51页 |
| 3.1 文本信息的获取 | 第33-37页 |
| 3.2 文本特征提取 | 第37-48页 |
| 3.2.1 TFIDF模型 | 第38-40页 |
| 3.2.2 词向量模型 | 第40-48页 |
| 3.3 实验设计与目的 | 第48-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 实验结果与结论 | 第51-65页 |
| 4.1 实验数据及工具改进 | 第51-53页 |
| 4.1.1 实验数据 | 第51-52页 |
| 4.1.2 Cuckoo工具改进 | 第52-53页 |
| 4.2 CNN模型优化 | 第53-55页 |
| 4.2.1 正则化方法 | 第53-54页 |
| 4.2.2 Dropout | 第54-55页 |
| 4.3 实验评估标准 | 第55-60页 |
| 4.3.1 混淆矩阵 | 第55-57页 |
| 4.3.2 ROC曲线 | 第57-59页 |
| 4.3.3 Kappa系数 | 第59-60页 |
| 4.4 实验结果与结论 | 第60-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.2 总结 | 第65-66页 |
| 5.3 不足与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
