| 表目录 | 第1-10页 |
| 图目录 | 第10-12页 |
| 摘要 | 第12-14页 |
| ABSTRACT | 第14-16页 |
| 第一章 绪论 | 第16-47页 |
| ·引言 | 第16-21页 |
| ·病毒发展历史 | 第21-24页 |
| ·病毒概述 | 第24-38页 |
| ·计算机病毒定义 | 第24-26页 |
| ·病毒与恶意代码的关系 | 第26-27页 |
| ·病毒功能结构 | 第27-29页 |
| ·病毒分类 | 第29-33页 |
| ·病毒检测方法 | 第33-38页 |
| ·国内外研究现状 | 第38-43页 |
| ·论文研究内容 | 第43-47页 |
| ·论文的组织结构 | 第43-45页 |
| ·论文的主要工作 | 第45-47页 |
| 第二章 基于多重朴素贝叶斯算法的病毒动态检测方法 | 第47-59页 |
| ·多重朴素贝叶斯分类方法 | 第47-48页 |
| ·基于多重朴素贝叶斯算法的病毒检测系统框架 | 第48-49页 |
| ·基于API函数调用的特征选择 | 第49-51页 |
| ·基于多重贝叶斯分类算法的病毒检测引擎 | 第51-55页 |
| ·实验结果与分析 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 第三章 基于模糊模式识别的病毒动态检测方法 | 第59-66页 |
| ·模糊模式识别数学模型 | 第59-61页 |
| ·基于模糊模式识别的病毒检测过程 | 第61-64页 |
| ·实验结果与分析 | 第64页 |
| ·本章小结 | 第64-66页 |
| 第四章 基于支持向量机的病毒动态检测方法 | 第66-78页 |
| ·API函数调用序列提取 | 第66-68页 |
| ·基于Relief的特征选择方法 | 第68-71页 |
| ·Relief算法 | 第69页 |
| ·ReliefF算法 | 第69-71页 |
| ·基于支持向量机的病毒检测系统 | 第71-75页 |
| ·线性支持向量机 | 第71-73页 |
| ·非线性支持向量机 | 第73-74页 |
| ·系统检测流程 | 第74-75页 |
| ·实验结果与分析 | 第75-77页 |
| ·本章小结 | 第77-78页 |
| 第五章 基于粗糙集属性约简的病毒静态检测方法 | 第78-91页 |
| ·N-gram | 第78-79页 |
| ·基于信息增益的特征选择 | 第79-80页 |
| ·基于粗糙集的属性约简 | 第80-86页 |
| ·粗糙集基本理论 | 第81-82页 |
| ·核约简 | 第82页 |
| ·决策表 | 第82-83页 |
| ·经典属性约简算法 | 第83-84页 |
| ·基于CORE的属性约简算法 | 第84-86页 |
| ·检测流程 | 第86-87页 |
| ·实验结果与分析 | 第87-90页 |
| ·本章小结 | 第90-91页 |
| 第六章 基于集成神经网络的病毒静态检测方法 | 第91-103页 |
| ·神经网络集成定义 | 第91-92页 |
| ·个体网络生成 | 第92-95页 |
| ·Bagging | 第92-94页 |
| ·Boosting | 第94-95页 |
| ·基于集成神经网络的病毒检测方法实现 | 第95-98页 |
| ·概率神经网络 | 第95-96页 |
| ·IG-Bagging | 第96-97页 |
| ·Attribute Bagging | 第97-98页 |
| ·实验结果与分析 | 第98-101页 |
| ·本章小结 | 第101-103页 |
| 第七章 基于D-S证据理论的病毒动态与静态检测方法融合 | 第103-117页 |
| ·D-S证据理论背景 | 第103-104页 |
| ·基于D-S证据理论的病毒检测引擎 | 第104-106页 |
| ·系统框架 | 第104-105页 |
| ·实现方法 | 第105-106页 |
| ·基于D-S证据理论的成员分类器组合 | 第106-111页 |
| ·基于分类器识别性能的信度分配方法 | 第106-108页 |
| ·基于类间距离测度的信度分配方法 | 第108-111页 |
| ·实验结果与分析 | 第111-115页 |
| ·本章小结 | 第115-117页 |
| 第八章 结束语 | 第117-122页 |
| ·本文工作总结 | 第117-120页 |
| ·未来工作展望 | 第120-122页 |
| 致谢 | 第122-123页 |
| 参考文献 | 第123-137页 |
| 作者在学期间取得的学术成果 | 第137-140页 |
| 附录A 数据集中的病毒样本 | 第140-141页 |