| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.2.1 传统恶意代码分析方法 | 第14-15页 |
| 1.2.2 基于机器学习算法的恶意代码分析研究 | 第15-17页 |
| 1.2.3 现有恶意代码分析方法的局限性 | 第17页 |
| 1.3 研究内容 | 第17-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 相关研究 | 第21-33页 |
| 2.1 词向量 | 第21-25页 |
| 2.1.1 语言模型 | 第21-22页 |
| 2.1.2 神经网络语言模型 | 第22页 |
| 2.1.3 Word2Vec概述 | 第22-24页 |
| 2.1.4 Doc2Vec概述 | 第24-25页 |
| 2.2 卷积神经网络模型 | 第25-29页 |
| 2.2.1 卷积神经网络模型的结构 | 第25-28页 |
| 2.2.2 卷积神经网络模型的训练过程 | 第28-29页 |
| 2.3 循环神经网络模型 | 第29-31页 |
| 2.3.1 循环神经网络模型的原理 | 第29-30页 |
| 2.3.2 循环神经网络模型变体 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于Word2Vec的恶意代码基因向量化表示 | 第33-45页 |
| 3.1 问题引述及研究思路 | 第33-34页 |
| 3.2 恶意代码基因序列提取模型 | 第34-38页 |
| 3.2.1 软件基因及恶意代码基因 | 第34-35页 |
| 3.2.2 批量反汇编 | 第35-36页 |
| 3.2.3 行进递归式提取算法 | 第36-38页 |
| 3.3 基于Word2Vec的恶意代码基因的向量化学习模型 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-43页 |
| 3.4.1 数据集及实验设置 | 第39-40页 |
| 3.4.2 恶意代码基因提取及向量化表示结果展示 | 第40-42页 |
| 3.4.3 语义推理及可视化 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 基于SMM_CNN的恶意代码分类技术研究 | 第45-61页 |
| 4.1 问题引述及研究思路 | 第45-46页 |
| 4.2 基于SMM_CNN的恶意代码分类模型 | 第46-51页 |
| 4.2.1 恶意代码矩阵化 | 第47-48页 |
| 4.2.2 SMM_CNN恶意代码分类模型 | 第48-51页 |
| 4.3 SMGS_RCNN针对SMM_CNN模型的改进 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-59页 |
| 4.4.1 数据集及实验设置 | 第52-54页 |
| 4.4.2 基准系统 | 第54页 |
| 4.4.3 实验结果及分析 | 第54-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 恶意代码的基因序列向量化表示和聚类技术研究 | 第61-71页 |
| 5.1 问题引述及研究思路 | 第61-62页 |
| 5.2 基于恶意代码基因序列向量化的聚类模型 | 第62-66页 |
| 5.2.1 基于Doc2Vec的恶意代码基因序列的向量化表示 | 第62-63页 |
| 5.2.2 恶意代码聚类模型 | 第63-65页 |
| 5.2.3 聚类模型评价标准 | 第65-66页 |
| 5.3 实验结果与分析 | 第66-69页 |
| 5.3.1 数据集及实验环境配置 | 第66-67页 |
| 5.3.2 基准系统 | 第67页 |
| 5.3.3 实验结果分析 | 第67-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第六章 总结 | 第71-73页 |
| 6.1 本文工作总结 | 第71-72页 |
| 6.2 下一步研究展望 | 第72-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 作者简历 | 第79页 |
