| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景及现实意义 | 第9-11页 |
| 1.2 国内外相关研究 | 第11-13页 |
| 1.3 论文的主要内容及创新点 | 第13-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 2 恶意代码检测及分类技术 | 第16-25页 |
| 2.1 恶意代码与恶意软件 | 第16-17页 |
| 2.2 PE文件结构 | 第17-18页 |
| 2.3 恶意代码的各类混淆技术 | 第18-20页 |
| 2.3.1 静态混淆技术 | 第19页 |
| 2.3.2 动态混淆技术 | 第19页 |
| 2.3.3 综合混淆技术 | 第19-20页 |
| 2.4 恶意代码的分析检测技术 | 第20-23页 |
| 2.4.1 静态分析技术 | 第21-22页 |
| 2.4.2 动态分析技术 | 第22-23页 |
| 2.5 恶意代码分类技术 | 第23-25页 |
| 2.5.1 机器学习分类算法 | 第23页 |
| 2.5.2 深度学习分类算法 | 第23-25页 |
| 3 基于特征融合与随机森林的恶意代码分类 | 第25-44页 |
| 3.1 恶意代码数据集获取 | 第25-26页 |
| 3.2 恶意代码文本可视化为灰度图 | 第26-27页 |
| 3.3 恶意代码反编译文件的特征提取算法 | 第27-31页 |
| 3.3.1 Opcode N-gram局部特征提取 | 第28-29页 |
| 3.3.2 灰度图纹理局部特征提取 | 第29-30页 |
| 3.3.3 灰度直方图全局特征提取 | 第30-31页 |
| 3.4 分类算法及分类器选择 | 第31-35页 |
| 3.4.1 随机森林分类算法(Random Forest) | 第32-34页 |
| 3.4.2 分类器选择的几点考量 | 第34-35页 |
| 3.5 特征+分类器算法实验结果及分析 | 第35-43页 |
| 3.5.1 实验软硬件环境 | 第35页 |
| 3.5.2 Opcode N-gram分类表现 | 第35-37页 |
| 3.5.3 灰度图纹理分类表现 | 第37页 |
| 3.5.4 灰度直方图分类表现 | 第37-38页 |
| 3.5.5 特征融合分类性能表现 | 第38-42页 |
| 3.5.6 数据集样本数量对分类性能的影响 | 第42页 |
| 3.5.7 本文与其他文献实验结果对比 | 第42-43页 |
| 3.5.8 小结 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 4 基于单通道卷积神经网络的恶意代码分类 | 第44-62页 |
| 4.1 代码纹理图像 | 第44页 |
| 4.2 单通道卷积神经网络训练算法 | 第44-50页 |
| 4.2.1 反向传播算法在单通道卷积神经网络中的应用 | 第45-48页 |
| 4.2.2 单通道卷积神经网络的共享权重 | 第48页 |
| 4.2.3 单通道卷积神经网络的性能分析 | 第48-49页 |
| 4.2.4 单通道卷积神经网络对恶意代码纹理图像分类的适用性 | 第49-50页 |
| 4.3 单通道卷积神经网络模型设计 | 第50-53页 |
| 4.3.1 单通道卷积神经网络模型构建 | 第50-51页 |
| 4.3.2 卷积神经网络结构 | 第51页 |
| 4.3.3 实验数据处理及参数选择优化 | 第51-53页 |
| 4.4 单通道卷积神经网络分类实验及结果分析 | 第53-57页 |
| 4.4.1 实验软硬件环境 | 第53页 |
| 4.4.2 实验结果与分析 | 第53-57页 |
| 4.5 纹理图像与融合特征分类性能对比实验及分析 | 第57-61页 |
| 4.5.1 分类算法对分类性能的影响评估 | 第57-60页 |
| 4.5.2 纹理图像与融合特征两类分类算法的总结 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 恶意代码分类研究的工作总结 | 第62-63页 |
| 5.2 恶意代码检测方向的未来展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 | 第69页 |
