| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究动态 | 第12-13页 |
| 1.3 课题研究的目的与意义 | 第13-14页 |
| 1.4 论文结构与主要工作 | 第14-16页 |
| 第二章 网页恶意代码概述 | 第16-24页 |
| 2.1 网页恶意代码定义及发展历程 | 第16-17页 |
| 2.1.1 网页恶意代码相关概念 | 第16页 |
| 2.1.2 网页恶意代码发展历程 | 第16-17页 |
| 2.2 网页恶意脚本攻击一般流程 | 第17-18页 |
| 2.3 网页恶意攻击与漏洞 | 第18-20页 |
| 2.3.1 逻辑型漏洞 | 第19页 |
| 2.3.2 溢出型漏洞 | 第19-20页 |
| 2.4 恶意网页攻击常用的技术及典型形式 | 第20-22页 |
| 2.4.1 恶意网页攻击常用的技术 | 第20-21页 |
| 2.4.2 网页恶意代码的典型形式 | 第21-22页 |
| 2.5 防御恶意网页攻击的常用措施 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 分类学习算法概述 | 第24-32页 |
| 3.1 朴素贝叶斯算法 | 第24-25页 |
| 3.2 决策树算法 | 第25-26页 |
| 3.3 分类回归树算法 | 第26-27页 |
| 3.4 支持向量机分类算法 | 第27-30页 |
| 3.4.1 统计学习理论 | 第27-28页 |
| 3.4.2 支持向量机算法 | 第28-29页 |
| 3.4.3 支持向量机的主要优点 | 第29-30页 |
| 3.5 分类结果评价标准 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第四章 基于分类算法的恶意网页检测系统设计与实现 | 第32-52页 |
| 4.1 恶意网页检测系统总体设计 | 第32-34页 |
| 4.1.1 系统结构 | 第32-33页 |
| 4.1.2 工作流程 | 第33-34页 |
| 4.2 基于知识库的特征匹配检测子模块 | 第34-43页 |
| 4.2.1 恶意代码特征提取 | 第34-38页 |
| 4.2.2 暗链与恶意链接检测 | 第38-41页 |
| 4.2.3 恶意代码检测子功能模块 | 第41-43页 |
| 4.3 基于分类算法的恶意检测子模块 | 第43-47页 |
| 4.3.1 样本特征选择 | 第43-45页 |
| 4.3.2 分类算法选择 | 第45页 |
| 4.3.3 分类结果比较 | 第45-47页 |
| 4.4 分类器自适应学习子模块 | 第47-50页 |
| 4.4.1 标准支持向量机算法的不足 | 第47页 |
| 4.4.2 自适应支持向量机算法 | 第47-48页 |
| 4.4.3 自适应支持向量机算法原理及时空开销分析 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 实验结果分析 | 第52-58页 |
| 5.1 实验环境 | 第52页 |
| 5.2 实验样本采集 | 第52-54页 |
| 5.3 实验结果分析 | 第54-57页 |
| 5.3.1 基于知识库特征匹配检测结果 | 第54-55页 |
| 5.3.2 自适应支持向量机算法分类效果 | 第55-56页 |
| 5.3.3 系统恶意网页扫描效率测试 | 第56页 |
| 5.3.4 系统恶意网页检测性能测试 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文主要完成的工作 | 第58-59页 |
| 6.2 本文的不足和改进方向 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间发表的学术论文 | 第69页 |