| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 引言 | 第10-20页 |
| ·研究背景 | 第10-14页 |
| ·信息安全概况 | 第10-11页 |
| ·恶意代码简介 | 第11-14页 |
| ·研究现状 | 第14-17页 |
| ·基于特征码的检测法 | 第15页 |
| ·基于特征函数的检测方法 | 第15页 |
| ·启发式检测法 | 第15-16页 |
| ·基于行为的检测法 | 第16-17页 |
| ·本文的主要工作 | 第17-18页 |
| ·本文的组织结构 | 第18-20页 |
| 2 机器学习和恶意代码特征表示方法 | 第20-35页 |
| ·机器学习概述 | 第20-21页 |
| ·恶意代码检测流程 | 第21-23页 |
| ·恶意代码特征表示概述 | 第23-24页 |
| ·特征表示方法 | 第24-34页 |
| ·N元序列 | 第24-25页 |
| ·操作码OPCode | 第25-26页 |
| ·基于基本块的特征表示 | 第26-29页 |
| ·关键应用编程接口图 | 第26-29页 |
| ·基于函数的特征表示 | 第29页 |
| ·基于行为的特征表示 | 第29-34页 |
| ·N-gram系统调用名 | 第31页 |
| ·系统调用名频率 | 第31-32页 |
| ·系统调用参数 | 第32页 |
| ·API调用序列 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 3 恶意代码检测的特征选择方法 | 第35-52页 |
| ·恶意代码特征选择概述 | 第35页 |
| ·特征选择方法分类 | 第35-41页 |
| ·基于有监督的特征选择方法 | 第36-38页 |
| ·信息增益(Information Gain,IG) | 第36-37页 |
| ·开方拟和检验(CHI) | 第37-38页 |
| ·基于无监督的特征选择方法 | 第38-41页 |
| ·文档频率(Document Frequency,DF) | 第38-39页 |
| ·基于熵(Entropy-Based ranking) | 第39-40页 |
| ·单词贡献度(Term Contribution,TC) | 第40页 |
| ·F分值(Fisher-score) | 第40-41页 |
| ·实验准备 | 第41-47页 |
| ·IDA反汇编工具 | 第41-43页 |
| ·相关性能量度标准 | 第43-45页 |
| ·数据集 | 第45-46页 |
| ·分类方法 | 第46-47页 |
| ·实验及结果分析 | 第47-51页 |
| ·3-Gram特征选择结果 | 第47-48页 |
| ·4-Gram特征选择结果 | 第48-50页 |
| ·OpCode特征选择结果 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 4 基于正则化的单类支持向量机 | 第52-64页 |
| ·相关理论基础 | 第52-54页 |
| ·正则化理论 | 第52-53页 |
| ·最大间隔准则 | 第53-54页 |
| ·基于正则化的单类支持向量机 | 第54-60页 |
| ·单类支持向量机 | 第54-55页 |
| ·基于正则化的单类支持向量机 | 第55-58页 |
| ·优化算法 | 第58-60页 |
| ·实验及结果分析 | 第60-63页 |
| ·人工数据集 | 第60-61页 |
| ·恶意代码数据 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-67页 |
| ·本文工作总结 | 第64-65页 |
| ·进一步工作展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表论文及参加科研项目 | 第73-74页 |
