| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 基于kNN-SVM-BM的三阶段跨平台固件漏洞关联检测算法 | 第15-33页 |
| 2.1 算法整体框架 | 第15-16页 |
| 2.2 固件函数的特征提取 | 第16-18页 |
| 2.3 基于kNN的函数粗筛选阶段 | 第18-19页 |
| 2.4 基于SVM的函数细筛选阶段 | 第19-22页 |
| 2.4.1 SVM介绍 | 第19-20页 |
| 2.4.2 基于SVM的函数筛选方法 | 第20-22页 |
| 2.5 基于二分图匹配算法的精确匹配阶段 | 第22-25页 |
| 2.5.1 属性控制流图 | 第22-23页 |
| 2.5.2 基于属性控制流图的二分图匹配算法 | 第23-25页 |
| 2.6 实验结果与分析 | 第25-31页 |
| 2.6.1 kNN、SVM和kNN-SVM的比较 | 第25-28页 |
| 2.6.2 BM与MCS算法的比较 | 第28-29页 |
| 2.6.3 kNN-SVM-BM与同类算法的比较 | 第29-31页 |
| 2.7 本章小结 | 第31-33页 |
| 第3章 基于加权kNN-BM的二阶段跨平台固件漏洞关联检测算法 | 第33-47页 |
| 3.1 算法整体框架 | 第33-34页 |
| 3.2 基于加权欧氏距离的kNN函数筛选阶段 | 第34-37页 |
| 3.2.1 加权欧氏距离 | 第34-35页 |
| 3.2.2 基于加权欧氏距离的kNN函数筛选方法 | 第35-37页 |
| 3.3 基于加权马氏距离的kNN函数筛选阶段 | 第37-41页 |
| 3.3.1 加权马氏距离 | 第37-39页 |
| 3.3.2 基于加权马氏距离的kNN函数筛选方法 | 第39-41页 |
| 3.4 实验结果与分析 | 第41-46页 |
| 3.4.1 加权kNN与不加权kNN、kNN-SVM的比较 | 第41-44页 |
| 3.4.2 加权kNN-BM与discov RE、kNN-SVM-BM的比较 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于加权kNN-SVM-BM的三阶段跨平台固件漏洞关联检测算法 | 第47-53页 |
| 4.1 算法整体框架 | 第47-48页 |
| 4.2 实验结果与分析 | 第48-52页 |
| 4.2.1 加权kNN-SVM、加权kNN以及kNN-SVM的比较 | 第48-50页 |
| 4.2.2 加权kNN-SVM-BM与其它算法的比较 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 总结和展望 | 第53-56页 |
| 5.1 本文总结 | 第53-54页 |
| 5.2 未来展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间主要的工作 | 第61-62页 |
| 附录A 函数各个特征相关性结果分析表 | 第62-63页 |
