基于数据挖掘技术的恶意软件检测关键问题研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第14-30页 |
| 1.1 恶意软件概述 | 第15-17页 |
| 1.1.1 恶意软件定义 | 第15页 |
| 1.1.2 恶意软件分类 | 第15-16页 |
| 1.1.3 恶意软件传播介质 | 第16-17页 |
| 1.2 恶意软件检测与分析研究进展 | 第17-27页 |
| 1.2.1 特征码匹配技术 | 第17-18页 |
| 1.2.2 静态分析与检测技术 | 第18-21页 |
| 1.2.3 动态分析与检测技术 | 第21-23页 |
| 1.2.4 动静态混合分析 | 第23-24页 |
| 1.2.5 恶意软件特征 | 第24-25页 |
| 1.2.6 基于启发式的检测方法 | 第25-26页 |
| 1.2.7 存在的主要问题 | 第26-27页 |
| 1.3 论文研究内容 | 第27-30页 |
| 1.3.1 主要工作 | 第27-28页 |
| 1.3.2 论文组织结构 | 第28-30页 |
| 2 基于卷积神经网络的恶意软件检测方法 | 第30-46页 |
| 2.1 相关研究 | 第30-31页 |
| 2.1.1 深度学习 | 第30-31页 |
| 2.1.2 基于深度学习的恶意软件检测研究 | 第31页 |
| 2.2 卷积神经网络 | 第31-34页 |
| 2.2.1 卷积计算 | 第32-34页 |
| 2.2.2 下采样 | 第34页 |
| 2.3 系统架构 | 第34-35页 |
| 2.4 基于卷积神经网络的恶意软件检测 | 第35-37页 |
| 2.4.1 输入层 | 第35-36页 |
| 2.4.2 卷积层 | 第36页 |
| 2.4.3 最大池化层 | 第36-37页 |
| 2.4.4 全连接层 | 第37页 |
| 2.4.5 参数设置 | 第37页 |
| 2.5 实验验证 | 第37-43页 |
| 2.5.1 实验数据 | 第37-39页 |
| 2.5.2 结果与分析 | 第39-42页 |
| 2.5.3 执行效率比较 | 第42-43页 |
| 2.6 本章小结 | 第43-46页 |
| 3 基于标签传播的恶意软件检测算法研究 | 第46-60页 |
| 3.1 相关研究 | 第46页 |
| 3.2 文件关联图的构建 | 第46-49页 |
| 3.2.1 文件关联图类型 | 第46-47页 |
| 3.2.2 图的构建策略 | 第47-48页 |
| 3.2.3 构建文件关联图 | 第48-49页 |
| 3.3 标签传播算法 | 第49-52页 |
| 3.4 算法描述 | 第52-53页 |
| 3.5 实验验证 | 第53-58页 |
| 3.5.1 实验数据 | 第53-54页 |
| 3.5.2 k近邻图构建性能对比分析 | 第54-56页 |
| 3.5.3 算法有效性分析 | 第56-58页 |
| 3.6 本章小结 | 第58-60页 |
| 4 基于文件社交网络的恶意软件检测方法研究 | 第60-76页 |
| 4.1 相关研究 | 第60-61页 |
| 4.1.1 在线社交网络 | 第60-61页 |
| 4.1.2 主动学习在恶意软件检测中的研究 | 第61页 |
| 4.2 系统架构 | 第61页 |
| 4.3 文件样本社交网络分析 | 第61-65页 |
| 4.3.1 文件关联图 | 第61-62页 |
| 4.3.2 文件关联网络的特征属性 | 第62-65页 |
| 4.3.3 基于图属性的文件采样 | 第65页 |
| 4.4 主动学习 | 第65-70页 |
| 4.4.1 相关概念 | 第65-66页 |
| 4.4.2 主动学习算法采样策略 | 第66-69页 |
| 4.4.3 最大批量网络增益的采样算法 | 第69-70页 |
| 4.5 基于主动学习的标签传播算法 | 第70-71页 |
| 4.6 基于文件社交网络的恶意软件检测方法 | 第71页 |
| 4.7 实验验证 | 第71-73页 |
| 4.7.1 基于图属性的采样策略分析 | 第72-73页 |
| 4.7.2 主动学习对预测的影响 | 第73页 |
| 4.8 本章小结 | 第73-76页 |
| 5 对抗环境下恶意软件检测安全性研究 | 第76-92页 |
| 5.1 相关研究 | 第76-78页 |
| 5.2 数据挖掘算法的逃避攻击 | 第78-81页 |
| 5.2.1 攻击策略 | 第80-81页 |
| 5.3 对抗环境下恶意软件检测算法的安全性 | 第81-84页 |
| 5.3.1 攻击方式 | 第81-82页 |
| 5.3.2 实验数据 | 第82-83页 |
| 5.3.3 目标分类器构建 | 第83-84页 |
| 5.3.4 实验结果 | 第84页 |
| 5.4 随机森林算法在对抗环境中的安全性 | 第84-90页 |
| 5.4.1 传统随机森林算法 | 第85-86页 |
| 5.4.2 基于扩展特征空间的随机森林算法研究 | 第86-90页 |
| 5.5 本章小结 | 第90-92页 |
| 6 总结与展望 | 第92-95页 |
| 6.1 工作总结 | 第92-93页 |
| 6.2 研究展望 | 第93-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-107页 |
| 附录 | 第107页 |
