| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 主要工作 | 第12页 |
| 1.4 文章结构 | 第12-14页 |
| 2 木马技术与深度学习 | 第14-26页 |
| 2.1 特洛伊木马 | 第14-15页 |
| 2.2 木马检测技术 | 第15-17页 |
| 2.3 深度学习 | 第17-21页 |
| 2.4 模型实现相关技术 | 第21-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于LSTM-CNN的木马网络行为检测模型 | 第26-39页 |
| 3.1 木马网络行为分析 | 第26-28页 |
| 3.2 数据流的处理 | 第28-30页 |
| 3.3 基于LSTM-CNN的木马网络行为检测模型 | 第30-38页 |
| 3.4 本章小节 | 第38-39页 |
| 4 基于LSTM-CNN的木马检测反馈学习系统 | 第39-50页 |
| 4.1 系统设计 | 第39-41页 |
| 4.2 数据流捕获模块 | 第41-44页 |
| 4.3 数据处理模块 | 第44-46页 |
| 4.4 行为分析模块 | 第46-48页 |
| 4.5 木马定位模块 | 第48页 |
| 4.6 模型训练模块 | 第48-49页 |
| 4.7 本章小节 | 第49-50页 |
| 5 实验与分析 | 第50-55页 |
| 5.1 训练数据集 | 第50-51页 |
| 5.2 实验与测试 | 第51-54页 |
| 5.3 本章小节 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55页 |
| 6.2 下一步的工作 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |