针对恶意代码分类模型的对抗技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第13-26页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状 | 第14-22页 |
| 1.2.1 恶意代码分析 | 第15-18页 |
| 1.2.2 恶意代码分析对抗 | 第18-21页 |
| 1.2.3 恶意代码可视化 | 第21-22页 |
| 1.3 研究趋势及本文研究内容 | 第22-25页 |
| 1.4 论文组织结构 | 第25-26页 |
| 第2章 相关理论与技术 | 第26-38页 |
| 2.1 Android恶意代码及家族 | 第26-28页 |
| 2.2 Android程序结构 | 第28-29页 |
| 2.3 Android恶意代码灰度图像 | 第29-31页 |
| 2.4 人工神经网络 | 第31-34页 |
| 2.4.1 人工神经网络概述 | 第31-33页 |
| 2.4.2 卷积神经网络 | 第33-34页 |
| 2.5 对抗样本 | 第34-37页 |
| 2.5.1 对抗样本概述 | 第34-36页 |
| 2.5.2 恶意代码对抗样本 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 基于灰度图像的可执行对抗样本攻击 | 第38-55页 |
| 3.1 对抗样本生成框架 | 第38-39页 |
| 3.2 DEX文件结构 | 第39-41页 |
| 3.3 图像对抗样本生成算法 | 第41-44页 |
| 3.4 可执行对抗样本生成 | 第44-45页 |
| 3.5 实验与分析 | 第45-54页 |
| 3.5.1 数据集 | 第45-47页 |
| 3.5.2 训练流程 | 第47-48页 |
| 3.5.3 训练模型选择 | 第48-49页 |
| 3.5.4 训练结果 | 第49-50页 |
| 3.5.5 对抗样本的生成与验证 | 第50-52页 |
| 3.5.6 总结与讨论 | 第52-54页 |
| 3.6 本章小结 | 第54-55页 |
| 第4章 基于代码注入的可执行对抗样本攻击 | 第55-65页 |
| 4.1 系统模型 | 第55-56页 |
| 4.2 判别模块 | 第56页 |
| 4.3 生成模块 | 第56-60页 |
| 4.4 实验与分析 | 第60-64页 |
| 4.4.1 对抗样本的生成与验证 | 第60-62页 |
| 4.4.2 总结与讨论 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 本文工作总结 | 第65-66页 |
| 5.2 未来展望 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 致谢 | 第75-76页 |
| 在读期间发表的学术论文与取得的研究成果 | 第76页 |
