基于卷积神经网络和硬件特征的恶意软件检测
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 课题研究意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 本课题研究内容 | 第10页 |
| 1.4 本文的组织结构 | 第10-13页 |
| 第二章 相关理论及技术基础 | 第13-25页 |
| 2.1 恶意软件 | 第13-16页 |
| 2.1.1 恶意软件的发展 | 第13-14页 |
| 2.1.2 恶意软件的分类 | 第14-16页 |
| 2.1.3 恶意软件的传播方式 | 第16页 |
| 2.2 处理器中的硬件事件 | 第16-18页 |
| 2.3 机器学习与卷积神经网络 | 第18-23页 |
| 2.3.1 机器学习 | 第18-20页 |
| 2.3.2 常用的机器学习算法 | 第20-21页 |
| 2.3.3 卷积神经网络 | 第21-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 恶意软件检测方案设计 | 第25-35页 |
| 3.1 算法选择 | 第25-27页 |
| 3.1.1 浅层学习与深度学习的选择 | 第25-26页 |
| 3.1.2 神经网络中的选择 | 第26-27页 |
| 3.2 本设计的整体方案 | 第27-28页 |
| 3.3 数据集 | 第28-29页 |
| 3.4 特征采集 | 第29-30页 |
| 3.5 数据预处理 | 第30-34页 |
| 3.5.1 转换灰度图 | 第32-33页 |
| 3.5.2 灰度图放大 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 实验及结果分析 | 第35-47页 |
| 4.1 实验环境 | 第35页 |
| 4.2 模型训练 | 第35-41页 |
| 4.2.1 分类器模型 | 第35-36页 |
| 4.2.2 参数优化 | 第36-38页 |
| 4.2.3 防止过拟合 | 第38-39页 |
| 4.2.4 分类器模型训练实验过程 | 第39-41页 |
| 4.3 实验结果与分析 | 第41-46页 |
| 4.3.1 评估标准 | 第41-42页 |
| 4.3.2 特征图尺寸的对比实验 | 第42-43页 |
| 4.3.3 卷积核大小对比实验 | 第43-44页 |
| 4.3.4 性能对比 | 第44-46页 |
| 4.4 实验结论 | 第46页 |
| 4.5 本章小节 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 发表论文和参加科研情况说明 | 第53-55页 |
| 致谢 | 第55页 |
