基于支持向量机的恶意软件检测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本论文的主要研究内容 | 第12-13页 |
| 1.4 论文组织安排 | 第13-14页 |
| 第2章 恶意软件及现有分析检测技术 | 第14-27页 |
| 2.1 恶意软件定义 | 第14-19页 |
| 2.2 恶意软件检测技术 | 第19-20页 |
| 2.2.1 静态分析法 | 第19页 |
| 2.2.2 动态分析法 | 第19-20页 |
| 2.3 主流分类算法 | 第20-26页 |
| 2.3.1 人工神经网络分类算法 | 第21-22页 |
| 2.3.2 贝叶斯分类算法 | 第22-23页 |
| 2.3.3 K最近邻分类算法 | 第23-24页 |
| 2.3.4 支持向量机分类算法 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 恶意软件检测系统 | 第27-38页 |
| 3.1 恶意软件动态特征定义 | 第27-28页 |
| 3.2 恶意软件静态特征定义 | 第28-29页 |
| 3.3 恶意软件特征规则库 | 第29-30页 |
| 3.4 恶意软件检测系统框架 | 第30-37页 |
| 3.4.1 系统总体框架 | 第30-31页 |
| 3.4.2 软件监控模块 | 第31-35页 |
| 3.4.3 数据存储模块 | 第35页 |
| 3.4.4 恶意软件分析模块 | 第35页 |
| 3.4.5 分析报告生成模块 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于支持向量机的恶意软件分类模型 | 第38-49页 |
| 4.1 评判指标 | 第38-39页 |
| 4.2 交叉验证 | 第39-40页 |
| 4.3 实验数据 | 第40-41页 |
| 4.4 支持向量机分类算法最优选择 | 第41-48页 |
| 4.4.1 分类模型选择 | 第41-43页 |
| 4.4.2 算子和参数的确定 | 第43-46页 |
| 4.4.3 实验对比与分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 一种基于改进的支持向量机恶意软件分类模型 | 第49-55页 |
| 5.1 算法提出背景 | 第49-50页 |
| 5.2 算法改进 | 第50-52页 |
| 5.3 实验结果与对比 | 第52-54页 |
| 5.3.1 参数选择 | 第52-53页 |
| 5.3.2 实验对比 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 全文总结与创新 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 附录 攻读硕士学位期间发表的论文 | 第62页 |
