| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 引言 | 第10-20页 |
| ·研究背景 | 第10-13页 |
| ·计算机安全概况 | 第10-11页 |
| ·恶意代码介绍 | 第11-13页 |
| ·研究现状及存在问题 | 第13-17页 |
| ·基于标签的特征识别方法 | 第13-14页 |
| ·基于行为的启发式方法 | 第14-15页 |
| ·人工智能方法 | 第15-17页 |
| ·论文的工作 | 第17-18页 |
| ·论文的组织结构 | 第18-20页 |
| 2 机器学习及相关算法 | 第20-34页 |
| ·机器学习概述 | 第20-21页 |
| ·恶意代码检测流程 | 第21页 |
| ·机器学习分类算法 | 第21-30页 |
| ·朴素贝叶斯 | 第22页 |
| ·支持向量机 | 第22-23页 |
| ·单类分类方法 | 第23-30页 |
| ·基于密度估计的方法 | 第23-25页 |
| ·降维方法 | 第25-26页 |
| ·聚类方法 | 第26-28页 |
| ·基于支撑域的方法 | 第28-30页 |
| ·性能评估 | 第30-33页 |
| ·分类相关指标 | 第30-31页 |
| ·ROC曲线 | 第31页 |
| ·AUC性能指标 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 3 恶意代码检测的特征提取方法研究 | 第34-56页 |
| ·引言 | 第34-35页 |
| ·特征表示概述 | 第34-35页 |
| ·特征提取概述 | 第35页 |
| ·文件类型及相关工具 | 第35-39页 |
| ·PE文件 | 第35-37页 |
| ·反汇编工具IDA | 第37-39页 |
| ·特征表示 | 第39-43页 |
| ·基于统计的特征表示 | 第39-40页 |
| ·16进制N-Gram字节序列 | 第40-41页 |
| ·操作码(OPCode) | 第41-43页 |
| ·词频-逆文档频率特征表示方法 | 第43-44页 |
| ·隐语义索引 | 第44-46页 |
| ·特征抽取方法性能分析 | 第46-50页 |
| ·N-gram Byte Sequence与OpCode特征比较 | 第46-47页 |
| ·原始特征与TF-IDF加权特征比较 | 第47-49页 |
| ·降维因子与恶意代码检测 | 第49-50页 |
| ·基于LSI特征表示的单类分类技术检测研究 | 第50-55页 |
| ·参数选择与分类性能比较 | 第50-53页 |
| ·单类分类技术检测性能 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 4 基于直推式学习的恶意代码检测方法 | 第56-71页 |
| ·引言 | 第56-61页 |
| ·归纳式学习 | 第57-59页 |
| ·直推式学习 | 第59-61页 |
| ·单类直推式支持向量机 | 第61-66页 |
| ·单类直推式支持向量机 | 第62-65页 |
| ·求解算法 | 第65-66页 |
| ·实验评估 | 第66-70页 |
| ·人工数据集 | 第66-68页 |
| ·恶意代码数据集 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 5 总结与展望 | 第71-74页 |
| ·本文工作总结 | 第71-72页 |
| ·进一步工作展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80-81页 |
| 攻读学位期间发表论文及参加科研项目 | 第81-82页 |