基于机器学习的恶意软件分类研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的研究内容 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 第二章 恶意软件分析相关技术介绍 | 第12-26页 |
| 2.1 恶意软件介绍 | 第12-14页 |
| 2.1.1 恶意软件的种类 | 第12-13页 |
| 2.1.2 恶意软件存在形式 | 第13-14页 |
| 2.1.3 恶意软件命名规则 | 第14页 |
| 2.2 恶意软件分析方法 | 第14-18页 |
| 2.2.1 静态分析方法 | 第14-17页 |
| 2.2.2 动态分析方法 | 第17-18页 |
| 2.3 机器学习算法 | 第18-25页 |
| 2.3.1 k近邻算法 | 第19页 |
| 2.3.2 朴素贝叶斯 | 第19-20页 |
| 2.3.3 逻辑回归 | 第20页 |
| 2.3.4 决策树 | 第20-23页 |
| 2.3.5 随机森林算法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 数据预处理 | 第26-35页 |
| 3.1 数据集描述 | 第26-27页 |
| 3.2 操作码词频特征提取 | 第27-32页 |
| 3.3 从恶意软件生成灰度图像 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于卷积神经网络的恶意软件分类算法设计 | 第35-45页 |
| 4.1 人工神经网络概述 | 第35-37页 |
| 4.1.1 反向传播算法 | 第36页 |
| 4.1.2 Dropout | 第36-37页 |
| 4.2 卷积神经网络 | 第37-41页 |
| 4.2.1 卷积运算 | 第38-40页 |
| 4.2.2 池化 | 第40-41页 |
| 4.3 基于卷积神经网络分类恶意软件 | 第41-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第五章 实验结果及分析 | 第45-51页 |
| 5.1 实验环境 | 第45-46页 |
| 5.2 评价方法 | 第46-47页 |
| 5.3 实验结果 | 第47-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 在学期间的研究成果 | 第57-58页 |
| 致谢 | 第58页 |
