| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究的目的和意义 | 第8-9页 |
| 1.2 国内外相关研究现状 | 第9-13页 |
| 1.2.1 恶意代码分析研究现状 | 第9-12页 |
| 1.2.2 本体研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第2章 恶意代码分析技术与本体介绍 | 第14-21页 |
| 2.1 恶意代码种类和行为特点 | 第14-15页 |
| 2.2 恶意代码分析技术 | 第15-18页 |
| 2.2.1 静态分析技术 | 第15-16页 |
| 2.2.2 动态分析技术 | 第16-17页 |
| 2.2.3 动态分析工具 | 第17-18页 |
| 2.3 本体介绍 | 第18-20页 |
| 2.3.1 本体相关定义 | 第18-19页 |
| 2.3.2 本体描述语言 | 第19页 |
| 2.3.3 本体构建工具 | 第19页 |
| 2.3.4 本体推理机 | 第19-20页 |
| 2.3.5 本体典型应用 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 恶意代码行为本体的生成 | 第21-39页 |
| 3.1 系统总流程 | 第21-22页 |
| 3.2 恶意代码行为本体结构设计 | 第22-25页 |
| 3.2.1 概念类层次结构设计 | 第23-25页 |
| 3.3 本体知识库规则集的挖掘 | 第25-36页 |
| 3.3.1 特征提取 | 第25-27页 |
| 3.3.2 挖掘算法 | 第27-33页 |
| 3.3.2.1 使用决策树算法挖掘规则 | 第27-28页 |
| 3.3.2.2 改进关联规则挖掘算法用于挖掘规则 | 第28-30页 |
| 3.3.2.3 使用随机森林算法挖掘规则 | 第30-31页 |
| 3.3.2.4 结合决策树和随机循环关联规则挖掘算法 | 第31-33页 |
| 3.3.3 恶意代码行为规则的表示 | 第33-36页 |
| 3.3.3.1 单一行为构成的规则表示 | 第33-34页 |
| 3.3.3.2 复合行为构成的规则表示 | 第34-36页 |
| 3.4 基于本体的恶意代码检测和分析 | 第36-38页 |
| 3.4.1 未知样本行为知识推理 | 第36-37页 |
| 3.4.2 未知样本分类 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 实验结果与分析 | 第39-53页 |
| 4.1 实验数据 | 第39-40页 |
| 4.1.1 实验使用的家族描述 | 第39-40页 |
| 4.1.2 实验样本的组成 | 第40页 |
| 4.2 虚拟机环境 | 第40-41页 |
| 4.3 分类结果评价指标 | 第41页 |
| 4.4 恶意代码家族行为规则挖掘实验结果 | 第41-48页 |
| 4.4.1 决策树算法实验结果 | 第42-45页 |
| 4.4.2 随机循环关联规则挖掘算法实验结果 | 第45-47页 |
| 4.4.3 随机森林算法实验结果 | 第47-48页 |
| 4.5 结合决策树与随机循环关联规则挖掘的实验结果 | 第48-52页 |
| 4.5.1 同一家族的规则对比 | 第48-49页 |
| 4.5.2 同一样本的推理结果对比 | 第49-51页 |
| 4.5.3 集成分类结果 | 第51-52页 |
| 4.6 与现有研究对比 | 第52页 |
| 4.7 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60页 |