基于行为的恶意代码检测方法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 研究意义和目标 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-17页 |
| 1.4 本文研究内容及章节结构 | 第17-19页 |
| 1.4.1 本文研究内容 | 第17页 |
| 1.4.2 本文章节结构 | 第17-19页 |
| 第二章 恶意程序分类的数据准备工作 | 第19-27页 |
| 2.1 恶意程序的简介 | 第19-20页 |
| 2.2 QEMU简介 | 第20-21页 |
| 2.3 恶意程序的动态分析 | 第21-23页 |
| 2.4 行为抽象简介 | 第23-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于规则匹配方法的恶意程序检测 | 第27-35页 |
| 3.1 规则库的建立 | 第27-29页 |
| 3.2 规则框架设计与实现 | 第29-31页 |
| 3.3 规则设计与实现 | 第31-33页 |
| 3.3.1 判定规则的生成 | 第31-32页 |
| 3.3.2 规则分数调整 | 第32-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 基于Adaboost方法的恶意程序检测 | 第35-43页 |
| 4.1 机器学习算法简介 | 第35-36页 |
| 4.2 Adaboost增强算法 | 第36-37页 |
| 4.3 子分类器算法设计 | 第37-39页 |
| 4.4 实验设计 | 第39-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 基于深度卷积神经网络的恶意程序检测 | 第43-53页 |
| 5.1 深度学习简介 | 第43-44页 |
| 5.2 词向量模块设计 | 第44-46页 |
| 5.3 CNN模型 | 第46-49页 |
| 5.4 实验设计 | 第49-51页 |
| 5.5 本章小结 | 第51-53页 |
| 第六章 实验结果分析 | 第53-61页 |
| 6.1 样本的准备 | 第53页 |
| 6.2 评判标准 | 第53页 |
| 6.3 规则匹配方法的规则调整 | 第53-56页 |
| 6.4 Adaboost参数调整 | 第56页 |
| 6.5 深度卷积神经网络参数调整 | 第56页 |
| 6.6 实验结果对比 | 第56-60页 |
| 6.6.1 实验描述 | 第56-57页 |
| 6.6.2 稳定性测试结果 | 第57-59页 |
| 6.6.3 指定样本集测试结果及分析 | 第59-60页 |
| 6.7 本章小结 | 第60-61页 |
| 第七章 总结与展望 | 第61-65页 |
| 7.1 工作总结 | 第61-62页 |
| 7.2 未来展望 | 第62-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |
