基于机器学习算法的恶意代码检测技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景和意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 课题意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文结构 | 第15-16页 |
| 第二章 相关理论与关键技术 | 第16-22页 |
| 2.1 恶意代码简介 | 第16-17页 |
| 2.1.1 恶意代码的定义 | 第16页 |
| 2.1.2 恶意代码的分类 | 第16-17页 |
| 2.2 恶意代码检测与反检测技术 | 第17-20页 |
| 2.2.1 恶意代码检测技术 | 第17-19页 |
| 2.2.2 恶意代码反检测技术 | 第19-20页 |
| 2.3 恶意代码分析技术 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于机器学习算法的恶意代码检测方法 | 第22-44页 |
| 3.1 汇编操作码特点分析 | 第22-23页 |
| 3.2 基于机器学习算法的恶意代码检测方法流程 | 第23-24页 |
| 3.3 数据预处理 | 第24-25页 |
| 3.3.1 查壳与脱壳 | 第24页 |
| 3.3.2 反汇编技术 | 第24-25页 |
| 3.4 概率矩阵的生成 | 第25-31页 |
| 3.4.1 操作码抽象化 | 第25-27页 |
| 3.4.2 n-gram算法提取特征 | 第27-28页 |
| 3.4.3 特征分析 | 第28-30页 |
| 3.4.4 概率矩阵 | 第30-31页 |
| 3.5 恶意代码分类 | 第31-34页 |
| 3.5.1 随机森林算法 | 第31-32页 |
| 3.5.2 SVM | 第32-33页 |
| 3.5.3 KNN | 第33-34页 |
| 3.6 实验仿真分析 | 第34-42页 |
| 3.6.1 实验评价方法 | 第34页 |
| 3.6.2 实验环境与数据 | 第34-35页 |
| 3.6.3 特征分析与机器学习算法选择 | 第35-41页 |
| 3.6.4 实验结果分析 | 第41-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第四章 系统设计与实现 | 第44-60页 |
| 4.1 需求分析 | 第44-45页 |
| 4.2 总体设计 | 第45-46页 |
| 4.3 详细设计 | 第46-55页 |
| 4.3.1 系统类图设计 | 第46-48页 |
| 4.3.2 系统时序图设计 | 第48-52页 |
| 4.3.3 数据库设计 | 第52-55页 |
| 4.4 系统实现 | 第55-57页 |
| 4.5 系统测试 | 第57-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 本文工作总结 | 第60页 |
| 5.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |
