首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

基于深度神经网络的程序分类技术研究

摘要第4-5页
Abstract第5页
第1章 绪论第12-18页
    1.1 引言第12页
    1.2 研究背景与意义第12-15页
        1.2.1 源程序和二进制程序分类的意义第12-13页
        1.2.2 现有研究方法与不足第13-14页
        1.2.3 浅层模型的局限性与深层模型的优势第14页
        1.2.4 程序分析和深层模型融合的必要性第14-15页
    1.3 研究目标与内容第15-16页
    1.4 文章组织和结构第16-17页
    1.5 本章小结第17-18页
第2章 程序分类相关研究综述第18-35页
    2.1 程序的表示与特征提取第18-21页
        2.1.1 基于程序度量元(Metrics)第18-19页
        2.1.2 基于抽象语法树(Abstract Syntax Tree)第19-20页
        2.1.3 基于程序流图(Graph)第20-21页
        2.1.4 基于向量表示第21页
    2.2 源程序分类研究第21-23页
        2.2.1 机器学习方法第21-22页
        2.2.2 语言模型方法第22页
        2.2.3 深度神经网络方法第22-23页
    2.3 二进制程序分类研究第23-25页
        2.3.1 程序分析和机器学习方法第24页
        2.3.2 深度神经网络方法第24-25页
    2.4 深度神经网络概述第25-34页
        2.4.1 卷积神经网络(CNN)第26-29页
        2.4.2 递归神经网络(RNN)第29-32页
        2.4.3 激活函数和随机失活(Dropout)第32-34页
    2.5 本章小结第34-35页
第3章 基于双流卷积神经网络的源程序分类第35-46页
    3.1 问题描述第35-36页
    3.2 方法概览第36页
    3.3 不完整程序分析和信息提取第36-41页
        3.3.1 程序片段的导入和存储第37-38页
        3.3.2 程序分析信息的提取第38-40页
        3.3.3 程序数据的预处理第40-41页
    3.4 双流深度卷积神经网络模型第41-45页
        3.4.1 基本CNN程序分类网络结构第41-42页
        3.4.2 双流CNN程序分类网络结构第42-43页
        3.4.3 双流CNN程序分类网络实现第43-45页
    3.5 本章小结第45-46页
第4章 基于分级递归神经网络的二进制程序分类第46-57页
    4.1 问题描述第46-47页
    4.2 方法概览第47-48页
    4.3 二进制程序的逆向和切分第48-51页
        4.3.1 二进制程序的逆向第48-49页
        4.3.2 基于CFG的二进制程序分割第49-51页
        4.3.3 十六进制程序和汇编程序的选择第51页
    4.4 分层LSTM模型第51-56页
        4.4.1 基本LSTM程序分类网络结构第52页
        4.4.2 分层LSTM程序分类网络结构第52-53页
        4.4.3 分层LSTM程序分类网络实现第53-54页
        4.4.4 分层LSTM网络的训练第54-56页
    4.5 本章小结第56-57页
第5章 实验设计与结果分析第57-81页
    5.1 实验环境信息第57-58页
    5.2 对比方法与参数选择第58-62页
        5.2.1 N-Gram与TF-IDF第58-59页
        5.2.2 机器学习方法第59-60页
        5.2.3 语言模型方法第60-61页
        5.2.4 深度神经网络方法第61-62页
    5.3 评价指标第62-63页
    5.4 基于双流卷积神经网络的源程序分类第63-72页
        5.4.1 源程序数据准备第63-65页
        5.4.2 源程序预处理方式对分类结果的影响第65-66页
        5.4.3 程序分析信息引入的有效性第66-68页
        5.4.4 不完整程序片段实验结果对比分析第68-69页
        5.4.5 完整程序实验结果对比分析第69-71页
        5.4.6 不同深度神经网络收敛速度对比第71-72页
    5.5 基于分级递归神经网络的二进制程序分类第72-80页
        5.5.1 编译优化选项简介第72-73页
        5.5.2 编译优化选项分类数据集准备第73-74页
        5.5.3 对比深度神经网络模型的实现第74页
        5.5.4 十六进制程序和汇编程序的选择第74-75页
        5.5.5 输入指令的长度和条数对分类效果的影响第75-76页
        5.5.6 不同编译优化选项准确度分析第76-77页
        5.5.7 与其他分类方法的对比分析第77-79页
        5.5.8 层次化神经网络收敛速度对比第79-80页
    5.6 本章小结第80-81页
第6章 总结与展望第81-84页
    6.1 论文总结第81-82页
    6.2 研究展望第82-84页
参考文献第84-91页
攻读硕士学位期间主要的研究成果第91-92页
致谢第92页

论文共92页,点击 下载论文
上一篇:基于深度神经网络的特征提取算法及其应用研究
下一篇:基于人脸和语音深度特征融合的说话人识别与标注算法研究