| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-16页 |
| 1.2.1 国内外研究现状 | 第11-15页 |
| 1.2.2 研究现状分析 | 第15-16页 |
| 1.3 论文研究内容及预期成果 | 第16-17页 |
| 1.4 论文后续内容组织结构 | 第17-18页 |
| 第2章 基于动态污点分析的恶意代码行为依赖图生成方法 | 第18-32页 |
| 2.1 恶意代码识别相关技术及分析 | 第18-21页 |
| 2.1.1 常见恶意代码分类 | 第18-19页 |
| 2.1.2 恶意代码反分析技术 | 第19-20页 |
| 2.1.3 恶意代码识别方法现状及分析 | 第20-21页 |
| 2.2 动态污点分析技术 | 第21-23页 |
| 2.3 基于最大频繁子图的行为依赖图挖掘方法 | 第23-30页 |
| 2.3.1 行为依赖图的生成与分析 | 第23-25页 |
| 2.3.2 基于最大频繁子图的行为依赖图挖掘方法 | 第25-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 动态污点分析与神经网络相结合的恶意代码识别模型构建 | 第32-50页 |
| 3.1 恶意代码识别模型 | 第32-37页 |
| 3.1.1 模型架构与功能概述 | 第32-36页 |
| 3.1.2 模型的优势分析 | 第36-37页 |
| 3.2 基于BP神经网络的恶意代码识别方法 | 第37-49页 |
| 3.2.1 脱壳与反汇编 | 第37-38页 |
| 3.2.2 恶意代码静态特征提取与选择 | 第38-43页 |
| 3.2.3 归一化处理 | 第43-45页 |
| 3.2.4 基于带动量和自适应学习率BP神经网络的恶意代码识别方法 | 第45-49页 |
| 3.3 本章小结 | 第49-50页 |
| 第4章 仿真实验与分析 | 第50-62页 |
| 4.1 实验目的与实验指标 | 第50-51页 |
| 4.2 实验数据与实验环境 | 第51-53页 |
| 4.2.1 实验数据 | 第51-52页 |
| 4.2.2 实验环境 | 第52-53页 |
| 4.3 实验过程 | 第53-54页 |
| 4.4 结果图表与分析 | 第54-61页 |
| 4.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第70-72页 |
| 致谢 | 第72页 |
