| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 研究背景及意义 | 第15-19页 |
| 1.2 国内外研究现状 | 第19-22页 |
| 1.2.1 基于特征码的检测方法 | 第19-20页 |
| 1.2.2 启发式检测方法 | 第20-21页 |
| 1.2.3 基于行为的检测方法 | 第21-22页 |
| 1.3 论文主要工作 | 第22-23页 |
| 1.4 本文结构安排 | 第23-25页 |
| 第二章 恶意代码检测技术研究 | 第25-35页 |
| 2.1 特征表示方法 | 第25-27页 |
| 2.1.1 n元序列 | 第25页 |
| 2.1.2 N-Gram特征码 | 第25-26页 |
| 2.1.3 N-Gram操作码 | 第26-27页 |
| 2.2 恶意代码检测的特征选择 | 第27-29页 |
| 2.2.1 基于有监督的特征选择方法 | 第27-28页 |
| 2.2.2 基于无监督的特征选择方法 | 第28-29页 |
| 2.3 恶意代码检测的特征分类 | 第29-32页 |
| 2.3.1 基于决策树的分类方法 | 第29-31页 |
| 2.3.2 基于随机森林的分类方法 | 第31-32页 |
| 2.4 本章小结 | 第32-35页 |
| 第三章 改进的静态恶意代码特征分析方法 | 第35-51页 |
| 3.1 行为特征分析方法 | 第35页 |
| 3.2 恶意代码关键技术及特点研究 | 第35-45页 |
| 3.2.1 恶意代码关键技术分类 | 第36页 |
| 3.2.2 信息获取 | 第36-38页 |
| 3.2.3 自启动 | 第38-42页 |
| 3.2.4 反检测 | 第42-45页 |
| 3.3 改进的静态恶意代码特征分析方法 | 第45-49页 |
| 3.3.1 特征库的组成 | 第45页 |
| 3.3.2 敏感API特征选取 | 第45-46页 |
| 3.3.3 利用静态的恶意行为特征进行分类 | 第46-47页 |
| 3.3.4 样本特征集的构造方法 | 第47-48页 |
| 3.3.5 与传统方法的性能优势 | 第48-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 基于恶意代码API的静态检测模型设计与实现 | 第51-75页 |
| 4.1 检测模型 | 第51-54页 |
| 4.1.1 模型训练 | 第52页 |
| 4.1.2 数据预处理 | 第52-54页 |
| 4.2 结合恶意代码API的恶意代码行为特征库 | 第54-57页 |
| 4.3 基于N-Gram的特征提取方法 | 第57-61页 |
| 4.3.1 基于N-GramByte-Code的特征提取 | 第57-59页 |
| 4.3.2 基于N-GramOPCode的特征提取 | 第59-61页 |
| 4.4 基于CHI&Fisher的特征选择方法 | 第61-64页 |
| 4.4.1 基于CHI的N-GramByte-Code特征选择 | 第61-63页 |
| 4.4.2 基于Fisher的N-GramOPCode特征选择 | 第63-64页 |
| 4.5 基于随机森林的恶意代码分类模型 | 第64-65页 |
| 4.5.1 决策树与随机森林 | 第64页 |
| 4.5.2 Scikit-learn | 第64-65页 |
| 4.6 测试结果及分析 | 第65-72页 |
| 4.6.1 实验环境 | 第66-67页 |
| 4.6.2 分析性能指标 | 第67-68页 |
| 4.6.3 测试结果及分析 | 第68-72页 |
| 4.7 本章小结 | 第72-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 5.1 工作总结 | 第75-76页 |
| 5.2 未来展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
