| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题研究的背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 论文组织结构 | 第16-18页 |
| 第2章 面向WebService的恶意软件研究 | 第18-31页 |
| 2.1 面向WebService的恶意软件特征分析 | 第18-20页 |
| 2.2 恶意软件的分类 | 第20-23页 |
| 2.3 恶意软件攻击方式的研究 | 第23-27页 |
| 2.3.1 攻击渗透技术 | 第23-24页 |
| 2.3.2 繁殖升级技术 | 第24页 |
| 2.3.3 自启动技术 | 第24-25页 |
| 2.3.4 隐藏技术 | 第25-26页 |
| 2.3.5 远程控制技术 | 第26页 |
| 2.3.6 破坏技术 | 第26-27页 |
| 2.4 恶意软件反检测技术研究 | 第27-28页 |
| 2.4.1 加壳 | 第27页 |
| 2.4.2 反调试技术 | 第27页 |
| 2.4.3 代码混淆技术 | 第27-28页 |
| 2.4.4 抗反汇编技术 | 第28页 |
| 2.5 恶意软件的分析方法研究 | 第28-30页 |
| 2.5.1 静态分析技术 | 第28-29页 |
| 2.5.2 动态分析技术 | 第29页 |
| 2.5.3 检测方法对比 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 面向软性恶意行为的虚拟化架构分析及分类方法研究 | 第31-48页 |
| 3.1 面向恶意软件行为的虚拟化架构部署 | 第31-36页 |
| 3.1.1 虚拟化架构部署 | 第31-32页 |
| 3.1.2 虚拟化分析优势 | 第32-35页 |
| 3.1.3 虚拟化架构下检测流程 | 第35-36页 |
| 3.2 分类算法研究 | 第36-40页 |
| 3.2.1 分类分析概述 | 第36页 |
| 3.2.2 主要分类算法 | 第36-40页 |
| 3.3 集成学习方法的构建 | 第40-46页 |
| 3.3.1 集成学习的构建方法 | 第40-43页 |
| 3.3.2 集成学习 | 第43-46页 |
| 3.4 特征选择与特征提取 | 第46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 基于自适应特征选择的恶意软件行为虚拟化分析方法 | 第48-60页 |
| 4.1 虚拟化架构下的恶意软件行为特征分析 | 第48-51页 |
| 4.1.1 虚拟化架构下的API调用机制 | 第48-50页 |
| 4.1.2 虚拟化架构下的API获取 | 第50页 |
| 4.1.3 基于NativeAPI的恶意软件特征选择 | 第50-51页 |
| 4.2 基于虚拟化的N-gram特征选择模型设计 | 第51-53页 |
| 4.2.1 N-gram算法模型 | 第51-52页 |
| 4.2.2 参数N的选择 | 第52页 |
| 4.2.3 自适应可变长的N-gram检测方法架构 | 第52-53页 |
| 4.3 基于联合信息熵的自适应可变长特征选择方法 | 第53-58页 |
| 4.3.1 基于信息熵的恶意软件检测研究 | 第53-54页 |
| 4.3.2 基于联合信息熵的自适应可变长语义切分特征选择方法 | 第54-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第5章 实验结果与分析 | 第60-74页 |
| 5.1 性能评价 | 第60-62页 |
| 5.1.1 评估方法 | 第60页 |
| 5.1.2 评价指标 | 第60-62页 |
| 5.2 实验环境 | 第62-63页 |
| 5.2.1 实验环境搭建 | 第62页 |
| 5.2.2 算法实现 | 第62-63页 |
| 5.3 实验过程 | 第63-67页 |
| 5.3.1 实验分类过程 | 第63-65页 |
| 5.3.2 获取实验样本 | 第65-66页 |
| 5.3.3 特征选择 | 第66-67页 |
| 5.4 实验结果对比 | 第67-72页 |
| 5.5 本章小结 | 第72-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第80-81页 |
| 致谢 | 第81-82页 |
