| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 恶意代码检测技术发展 | 第12-14页 |
| 1.2.2 恶意代码反检测技术发展 | 第14-15页 |
| 1.3 本文主要贡献 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 相关工作 | 第18-30页 |
| 2.1 恶意代码检测原理 | 第18-21页 |
| 2.1.1 基于内容检测 | 第18-19页 |
| 2.1.2 基于行为检测 | 第19-20页 |
| 2.1.3 恶意代码检测方法 | 第20-21页 |
| 2.2 基于机器学习的检测系统 | 第21-25页 |
| 2.2.1 恶意代码家族特征 | 第22页 |
| 2.2.2 特征提取算法 | 第22-23页 |
| 2.2.3 恶意代码特征融合 | 第23-24页 |
| 2.2.4 机器学习算法检测原理 | 第24-25页 |
| 2.3 恶意代码图像 | 第25-27页 |
| 2.4 基于深度学习恶意代码检测 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 问题描述与分析 | 第30-44页 |
| 3.1 问题描述 | 第30-35页 |
| 3.1.1 特征提取有效性保障 | 第32页 |
| 3.1.2 海量数据处理性能 | 第32-33页 |
| 3.1.3 特征库自动化优化 | 第33-35页 |
| 3.2 倒金字塔型多层过滤模型 | 第35-42页 |
| 3.2.1 过滤层设计思路 | 第36-37页 |
| 3.2.2 基于Tensor Flow On Spark分布式集群 | 第37-38页 |
| 3.2.3 特征提取服务器 | 第38-39页 |
| 3.2.4 自适应混淆特征清洗服务器 | 第39-41页 |
| 3.2.5 恶意代码检测服务器 | 第41-42页 |
| 3.3 本章小结 | 第42-44页 |
| 第4章 自适应混淆特征清洗模型 | 第44-54页 |
| 4.1 特征库构建 | 第44-46页 |
| 4.2 自适应混淆特征清洗模型设计思想 | 第46-47页 |
| 4.3 混淆特征清洗模型实现 | 第47-50页 |
| 4.3.1 特征预期值定义 | 第48-49页 |
| 4.3.2 特征标准值定义 | 第49页 |
| 4.3.3 混淆值清洗模型训练 | 第49-50页 |
| 4.4 自适应特征选择方法 | 第50-52页 |
| 4.4.1 特征值标准化 | 第51页 |
| 4.4.2 自适应特征库构建 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第5章 Tensor Flow On Spark分布式深度学习集群 | 第54-64页 |
| 5.1 卷积神经网络 | 第54-55页 |
| 5.2 恶意代码图像生成 | 第55-57页 |
| 5.3 分布式训练集群 | 第57-63页 |
| 5.3.1 Tensor Flow On Spark架构 | 第58-60页 |
| 5.3.2 数据并行模式 | 第60-61页 |
| 5.3.3 参数更新方式 | 第61-63页 |
| 5.4 分布式集群优化 | 第63页 |
| 5.5 本章小结 | 第63-64页 |
| 第6章 实验评估 | 第64-82页 |
| 6.1 实验环境与测试数据 | 第64-66页 |
| 6.1.1 总体实验方案设计 | 第64-65页 |
| 6.1.2 测试数据集 | 第65-66页 |
| 6.1.3 实验环境配置 | 第66页 |
| 6.2 自适应混淆特征清洗模型验证 | 第66-76页 |
| 6.2.1 实验方案设计 | 第66-68页 |
| 6.2.2 检测层有效性验证 | 第68-69页 |
| 6.2.3 特征选择方案对比 | 第69-72页 |
| 6.2.4 混淆特征清洗方案对比 | 第72-76页 |
| 6.3 过滤层方案验证 | 第76-81页 |
| 6.3.1 实验方案设计 | 第76-77页 |
| 6.3.2 过滤层过滤效果验证 | 第77-79页 |
| 6.3.3 分布式集群优化方案测试 | 第79-81页 |
| 6.4 本章小结 | 第81-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-90页 |
| 攻读硕士学位期间所发表的学术论文 | 第90-92页 |
| 致谢 | 第92页 |
