基于BP神经网络的恶意软件检测系统
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 研究现状 | 第15-19页 |
| 1.2.1 国内外研究现状 | 第16-18页 |
| 1.2.2 存在的问题和不足 | 第18-19页 |
| 1.3 本文研究内容 | 第19页 |
| 1.4 本文组织结构 | 第19-21页 |
| 第2章 恶意软件检测关键技术 | 第21-34页 |
| 2.1 恶意软件分析技术 | 第21-28页 |
| 2.1.1 静态分析技术 | 第21-23页 |
| 2.1.2 动态分析技术 | 第23-25页 |
| 2.1.3 图像分析技术 | 第25-28页 |
| 2.2 反汇编技术 | 第28-29页 |
| 2.2.1 W32Dasm工具 | 第28页 |
| 2.2.2 操作码 | 第28-29页 |
| 2.3 沙箱技术 | 第29-30页 |
| 2.3.1 Cuckoo工具 | 第29-30页 |
| 2.3.2 Sandboxie | 第30页 |
| 2.4 机器学习检测技术 | 第30-33页 |
| 2.4.1 K近邻检测 | 第31页 |
| 2.4.2 贝叶斯检测 | 第31-33页 |
| 2.4.3 决策树检测 | 第33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于BP神经网络的恶意软件检测方法 | 第34-51页 |
| 3.1 数据预处理 | 第35-38页 |
| 3.1.1 查壳与脱壳 | 第35-36页 |
| 3.1.2 反汇编 | 第36-37页 |
| 3.1.3 N-Gram算法提取操作码序列 | 第37-38页 |
| 3.2 恶意软件特征提取方法 | 第38-40页 |
| 3.2.1 基于TF-IDF的操作码特征值计算 | 第38-40页 |
| 3.2.2 基于信息增益的特征权重计算 | 第40页 |
| 3.3 恶意软件特征检测方法 | 第40-44页 |
| 3.3.1 BP神经网络架构 | 第40-41页 |
| 3.3.2 BP神经网络训练与参数提取 | 第41-43页 |
| 3.3.3 BP神经网络分类器 | 第43-44页 |
| 3.4 恶意软件可视化分析方法 | 第44-47页 |
| 3.5 实验验证 | 第47-50页 |
| 3.5.1 数据集 | 第47-48页 |
| 3.5.2 实验环境 | 第48页 |
| 3.5.3 准确率对比分析 | 第48-49页 |
| 3.5.4 收敛性分析 | 第49页 |
| 3.5.5 时间开销对比分析 | 第49-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 基于BP神经网络的恶意软件检测系统设计 | 第51-58页 |
| 4.1 系统总体架构设计 | 第51-53页 |
| 4.2 功能模块设计 | 第53-55页 |
| 4.2.1 文件上传功能模块 | 第54页 |
| 4.2.2 恶意软件特征画像功能模块 | 第54页 |
| 4.2.3 恶意软件检测功能模块 | 第54页 |
| 4.2.4 恶意软件统计功能模块 | 第54-55页 |
| 4.3 调用时序关系设计 | 第55-57页 |
| 4.3.1 反汇编时序调用 | 第55-56页 |
| 4.3.2 文件上传时序调用 | 第56页 |
| 4.3.3 恶意软件特征画像和检测时序调用 | 第56-57页 |
| 4.3.4 恶意软件统计时序调用 | 第57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 系统实现与测试 | 第58-65页 |
| 5.1 文件上传功能实现 | 第58-59页 |
| 5.2 恶意软件特征画像和检测功能实现 | 第59-60页 |
| 5.3 恶意软件统计功能实现 | 第60-62页 |
| 5.4 系统测试 | 第62-64页 |
| 5.4.1 测试环境 | 第62页 |
| 5.4.2 测试场景 | 第62-63页 |
| 5.4.3 测试结果 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第71-72页 |
| 附录B 攻读学位期间参与的主要项目 | 第72-73页 |
| 致谢 | 第73页 |
