基于神经网络集成的病毒检测技术研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 病毒原理及相关技术研究分析 | 第16-26页 |
| 2.1 病毒概述 | 第16-20页 |
| 2.1.1 病毒特性 | 第17-18页 |
| 2.1.2 病毒组成 | 第18-19页 |
| 2.1.3 病毒分类 | 第19-20页 |
| 2.2 病毒检测技术 | 第20-22页 |
| 2.2.1 虚拟机查毒技术 | 第20页 |
| 2.2.2 启发式代码扫描技术 | 第20-21页 |
| 2.2.3 免疫技术 | 第21-22页 |
| 2.3 神经网络基本原理 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于优化的神经网络集成病毒检测模型 | 第26-38页 |
| 3.1 神经网络集成理论分析 | 第26-28页 |
| 3.2 神经网络集成技术优化 | 第28-34页 |
| 3.2.1 BP子分类器改进 | 第28-31页 |
| 3.2.2 集成技术改进 | 第31-34页 |
| 3.3 D-S病毒检测模型构建 | 第34-37页 |
| 3.3.1 D-S病毒检测模型工作流程 | 第34-36页 |
| 3.3.2 D-S病毒检测模型优势 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章D-S病毒检测模型关键技术 | 第38-46页 |
| 4.1 D-S病毒检测模型架构 | 第38-39页 |
| 4.2 特征提取 | 第39-42页 |
| 4.2.1 基于N-gram模型的一次筛选 | 第40-41页 |
| 4.2.2 基于IG的二次筛选 | 第41-42页 |
| 4.3 改进的自适应学习速率 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 仿真实验和结果分析 | 第46-54页 |
| 5.1 仿真实验平台 | 第46-47页 |
| 5.2 实验参数及数据预处理 | 第47-49页 |
| 5.3 实验内容及数据分析 | 第49-52页 |
| 5.3.1 优化BP算法性能测试 | 第49-50页 |
| 5.3.2 集成检测性能测试 | 第50-51页 |
| 5.3.3 整体性能测试 | 第51-52页 |
| 5.4 本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第60-62页 |
| 致谢 | 第62页 |
