基于码表理论的恶意代码检测技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-16页 |
| ·课题研究的背景和意义 | 第8-12页 |
| ·信息安全现状 | 第8-9页 |
| ·恶意代码定义 | 第9-10页 |
| ·恶意代码的危害性 | 第10-12页 |
| ·恶意代码将会长期存在 | 第12页 |
| ·国内外研究现状 | 第12-14页 |
| ·本文的主要研究内容 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第2章 机器学习与码表理论 | 第16-28页 |
| ·机器学习 | 第16-17页 |
| ·码表理论的分类性 | 第17页 |
| ·码表理论介绍 | 第17-18页 |
| ·码表理论简介 | 第17-18页 |
| ·LBG相关研究 | 第18-22页 |
| ·基本原理 | 第19页 |
| ·算法简述 | 第19-20页 |
| ·初始码书的选择 | 第20-22页 |
| ·稀疏编码相关研究 | 第22-26页 |
| ·稀疏编码算法模型 | 第22-24页 |
| ·稀疏编码算法简介 | 第24页 |
| ·有监督的稀疏编码标准算法 | 第24-26页 |
| ·本章小结 | 第26-28页 |
| 第3章 特征提取和分类算法 | 第28-38页 |
| ·反汇编 | 第28-30页 |
| ·静态反汇编算法 | 第28-29页 |
| ·相关反汇编工具 | 第29页 |
| ·指令提取 | 第29-30页 |
| ·特征提取 | 第30-33页 |
| ·N-gram | 第31页 |
| ·变长N-gram | 第31页 |
| ·Cohen算法 | 第31-33页 |
| ·分类算法 | 第33-37页 |
| ·决策树 | 第33-34页 |
| ·朴素贝叶斯 | 第34-35页 |
| ·最小距离分类器 | 第35-36页 |
| ·支持向量机 | 第36-37页 |
| ·距离分类实验 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第4章 恶意代码检测系统的实现 | 第38-49页 |
| ·系统主要功能 | 第38-40页 |
| ·简要概述 | 第38页 |
| ·数据集的处理 | 第38-39页 |
| ·特征提取 | 第39页 |
| ·分类和判别实现 | 第39-40页 |
| ·稀疏编码算法的模型 | 第40-43页 |
| ·预处理 | 第40-41页 |
| ·分类器训练模块 | 第41页 |
| ·分类模块 | 第41-42页 |
| ·实验数据及结果分析 | 第42-43页 |
| ·相似度算法的模型 | 第43-47页 |
| ·预处理 | 第43-44页 |
| ·分类器训练模块 | 第44-45页 |
| ·分类模块 | 第45页 |
| ·实验数据及结果分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54页 |
