基于机器学习的二进制软件漏洞挖掘技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究目标及内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关理论及技术介绍 | 第16-30页 |
| 2.1 二进制软件漏洞挖掘技术 | 第16-17页 |
| 2.1.1 漏洞的定义 | 第16页 |
| 2.1.2 二进制软件漏洞挖掘技术介绍 | 第16-17页 |
| 2.2 词嵌入技术简介 | 第17-18页 |
| 2.3 机器学习与深度学习 | 第18-25页 |
| 2.3.1 机器学习与深度学习简介 | 第18-21页 |
| 2.3.2 机器学习与深度学习发展概述 | 第21-23页 |
| 2.3.3 简单的机器学习分类算法 | 第23-25页 |
| 2.4 深度神经网络 | 第25-29页 |
| 2.4.1 RNN循环神经网络 | 第26-27页 |
| 2.4.2 LSTM长短期记忆网络 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 二进制特征向量构建的研究 | 第30-39页 |
| 3.1 问题描述与主要思路 | 第30-31页 |
| 3.2 二进制文件反汇编 | 第31页 |
| 3.3 汇编代码预处理成底层语言 | 第31-34页 |
| 3.3.1 操作码筛选 | 第32页 |
| 3.3.2 操作数规范化 | 第32-34页 |
| 3.4 基于Word2Vec的特征向量化 | 第34-38页 |
| 3.4.1 Word2Vec算法 | 第34-35页 |
| 3.4.2 基于底层语言的特征向量化模型 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 二进制特征向量提取的研究 | 第39-49页 |
| 4.1 问题描述与主要思路 | 第39-40页 |
| 4.2 深度神经网络的选取 | 第40-42页 |
| 4.3 基于BLSTM的特征向量提取 | 第42-44页 |
| 4.3.1 BLSTM网络 | 第42页 |
| 4.3.2 基于BLSTM的特征提取模型 | 第42-44页 |
| 4.4 基于Attention机制的特征向量提取 | 第44-48页 |
| 4.4.1 Attention机制引入目的 | 第44-45页 |
| 4.4.2 Attention机制 | 第45-47页 |
| 4.4.3 Att-BLSTM特征提取模型 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 二进制软件漏洞检测系统的设计与实现 | 第49-57页 |
| 5.1 动态链接库漏洞检测系统设计目的 | 第49-50页 |
| 5.2 动态链接库漏洞检测系统整体框架 | 第50-51页 |
| 5.3 动态链接库漏洞检测系统实现流程 | 第51-56页 |
| 5.3.1 学习方式选择 | 第51-52页 |
| 5.3.2 数据集构建 | 第52-53页 |
| 5.3.3 实验环境配置 | 第53-54页 |
| 5.3.4 系统模块搭建 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 二进制软件漏洞检测系统测试与分析 | 第57-64页 |
| 6.1 训练参数 | 第57-58页 |
| 6.2 评估指标 | 第58-59页 |
| 6.3 动态链接库漏洞监测系统测试与分析 | 第59-63页 |
| 6.3.1 检测结果展示 | 第59-60页 |
| 6.3.2 词嵌入模块测试分析 | 第60页 |
| 6.3.3 语义特征提取模块测试分析 | 第60-61页 |
| 6.3.4 与现有系统对比测试分析 | 第61-63页 |
| 6.4 本章小结 | 第63-64页 |
| 第七章 总结与展望 | 第64-66页 |
| 7.1 工作总结 | 第64-65页 |
| 7.2 工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 作者攻读学位期间发表的学术论文目录 | 第71页 |
