基于分类器集成的网页恶意代码检测研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究目标和内容 | 第14-15页 |
| 1.4 章节安排 | 第15-16页 |
| 第2章 机器学习和相关算法 | 第16-30页 |
| 2.1 机器学习 | 第16-20页 |
| 2.1.1 机器学习的背景与基础 | 第16-17页 |
| 2.1.2 机器学习的评估标准 | 第17-20页 |
| 2.2 相关算法 | 第20-28页 |
| 2.2.1 朴素贝叶斯 | 第20-22页 |
| 2.2.2 随机森林 | 第22-24页 |
| 2.2.3 决策树 | 第24-25页 |
| 2.2.4 逻辑回归 | 第25-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第3章 混淆代码的变长N-Gram特征提取 | 第30-41页 |
| 3.1 N-Gram模型 | 第30页 |
| 3.2 混淆代码提取特征 | 第30-32页 |
| 3.3 机器码特征提取改进 | 第32-37页 |
| 3.3.1 混合机器码特征提取 | 第32-34页 |
| 3.3.2 变长N-Gram特征计算 | 第34-37页 |
| 3.4 算法实验分析 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于分类器集成的恶意代码检测 | 第41-53页 |
| 4.1 常见分类器集成 | 第41-43页 |
| 4.2 多层次加权分类器集成 | 第43-48页 |
| 4.2.1 分类器输入优化 | 第43-44页 |
| 4.2.2 多层次分类器集成 | 第44-46页 |
| 4.2.3 分类器加权训练 | 第46-48页 |
| 4.3 算法实验分析 | 第48-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 在线恶意代码检测系统的设计与实现 | 第53-59页 |
| 5.1 系统设计 | 第53-55页 |
| 5.1.1 系统模块设计 | 第53页 |
| 5.1.2 系统功能 | 第53-54页 |
| 5.1.3 核心模块 | 第54-55页 |
| 5.2 系统测试 | 第55-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第6章 结论与展望 | 第59-61页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间参加的科研项目和成果 | 第66页 |
