基于机器学习的恶意脚本代码检测方法的研究与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.4 研究目标和内容 | 第15-16页 |
| 1.5 本文组织结构 | 第16-18页 |
| 第2章 数据挖掘和机器学习 | 第18-31页 |
| 2.1 数据挖掘和机器学习 | 第18-19页 |
| 2.1.1 数据挖掘 | 第18-19页 |
| 2.1.2 机器学习 | 第19页 |
| 2.2 N-gram特征模型 | 第19-21页 |
| 2.3 KNN分类方法 | 第21-22页 |
| 2.4 SVM分类方法 | 第22-28页 |
| 2.5 本文研究方案 | 第28-31页 |
| 第3章 混淆脚本识别 | 第31-40页 |
| 3.1 脚本混淆特征分析 | 第31-33页 |
| 3.2 混淆脚本识别方法 | 第33-36页 |
| 3.3 实验分析 | 第36-40页 |
| 第4章 混淆恶意脚本检测 | 第40-47页 |
| 4.1 混淆脚本的机器码特征分析 | 第40-42页 |
| 4.2 混淆脚本的恶意性检测方法 | 第42-43页 |
| 4.3 实验分析 | 第43-47页 |
| 第5章 未混淆恶意脚本检测 | 第47-55页 |
| 5.1 未混淆脚本的静态特征分析 | 第47-50页 |
| 5.2 未混淆脚本的恶意性检测方法 | 第50-51页 |
| 5.3 实验分析 | 第51-55页 |
| 第6章 原型系统设计及实现 | 第55-64页 |
| 6.1 检测系统模块设计 | 第55-56页 |
| 6.2 检测系统效果测试 | 第56-64页 |
| 第7章 总结与展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间参加的科研项目和成果 | 第69页 |
