| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于二进制文件漏洞分析的研究现状 | 第11-12页 |
| 1.2.2 基于软件源代码漏洞分析的研究现状 | 第12-13页 |
| 1.2.3 基于机器学习的软件漏洞分析研究现状 | 第13-14页 |
| 1.3 存在的问题 | 第14页 |
| 1.4 主要研究内容及主要工作 | 第14-15页 |
| 1.5 文章的总体结构 | 第15-16页 |
| 第2章 软件缓存区溢出漏洞类型及研究方法概述 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 缓存区溢出漏洞类型及分类 | 第16-18页 |
| 2.3 缓存区溢出漏洞预测方法 | 第18-21页 |
| 2.3.1 软件度量 | 第18-19页 |
| 2.3.2 机器学习分类 | 第19-21页 |
| 2.4 缓存区溢出漏洞数据不平衡的特征分析 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于决策树算法的缓存区溢出漏洞预测方法 | 第24-35页 |
| 3.1 引言 | 第24页 |
| 3.2 SVL多类型缓存区溢出漏洞预测模型 | 第24-29页 |
| 3.2.1 基于源代码函数级别分析 | 第26-27页 |
| 3.2.2 SVL缓存区溢出漏洞预测的度量指标 | 第27-29页 |
| 3.3 SVL缓存区漏洞预测方法的算法实现 | 第29-34页 |
| 3.3.1 基于决策树算法的训练 | 第29-32页 |
| 3.3.2 基于决策树算法预测缓存区溢出漏洞 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于SVL缓存区溢出漏洞预测改进方法 | 第35-45页 |
| 4.1 引言 | 第35-36页 |
| 4.2 不平衡数据集中SVL缓存区溢出漏洞预测的改进模型 | 第36-41页 |
| 4.2.1 基于SMOTE算法处理不平衡数据 | 第38页 |
| 4.2.2 基于遗传算法改进SMOTE算法 | 第38-40页 |
| 4.2.3 基于集成算法的SVL缓存区漏洞预测方法 | 第40-41页 |
| 4.3 基于SVL缓存区溢出漏洞预测改进方法的算法实现 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 实验结果与分析 | 第45-56页 |
| 5.1 实验环境 | 第45页 |
| 5.2 数据集介绍 | 第45-46页 |
| 5.3 实验评价标准 | 第46-47页 |
| 5.4 SVL缓存区漏洞预测方法实验结果 | 第47-52页 |
| 5.5 改进的SVL缓存区漏洞预测方法实验结果 | 第52-55页 |
| 5.6 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63页 |
