| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 研究思路及主要工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 JavaScript恶意代码检测相关研究 | 第17-30页 |
| 2.1 JavaScript恶意代码分类器 | 第17-22页 |
| 2.1.1 分类器系统概述 | 第17-19页 |
| 2.1.2 基于机器学习的代码静态分析 | 第19-21页 |
| 2.1.3 分类器数学模型 | 第21-22页 |
| 2.2 针对检测系统的规避方法 | 第22-25页 |
| 2.2.1 规避方法概述 | 第22页 |
| 2.2.2 几种典型的规避方法 | 第22-23页 |
| 2.2.3 污染攻击及其数学模型 | 第23-25页 |
| 2.3 敌对机器学习 | 第25-28页 |
| 2.3.1 敌对机器学习概述 | 第25-26页 |
| 2.3.2 分类器防规避的鲁棒性 | 第26-27页 |
| 2.3.3 鲁棒性提升方法 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 JavaScript恶意代码检测系统的防规避模型 | 第30-39页 |
| 3.1 防规避结构模型 | 第30-31页 |
| 3.1.1 防规避优化模块概述 | 第30-31页 |
| 3.1.2 系统优化模块的形式化描述 | 第31页 |
| 3.2 防规避评估模型 | 第31-35页 |
| 3.2.1 安全性评估 | 第32-33页 |
| 3.2.2 准确性评估 | 第33-34页 |
| 3.2.3 安全性与准确性的权衡 | 第34-35页 |
| 3.3 防规避优化方法 | 第35-38页 |
| 3.3.1 基于特征选择的优化方法 | 第35-37页 |
| 3.3.2 基于多分类器系统的优化方法 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于粒子群算法的特征选择优化方法 | 第39-51页 |
| 4.1 问题描述 | 第39-42页 |
| 4.1.1 问题的优化目标 | 第39-40页 |
| 4.1.2 特征选择问题的形式化描述 | 第40页 |
| 4.1.3 典型的特征选择算法 | 第40-42页 |
| 4.2 基于粒子群优化的特征选择算法 | 第42-45页 |
| 4.2.1 算法设计思想 | 第42-43页 |
| 4.2.2 算法实现 | 第43-45页 |
| 4.2.3 算法复杂度分析 | 第45页 |
| 4.3 实验评测及结果分析 | 第45-50页 |
| 4.3.1 实验设置与数据集 | 第45-46页 |
| 4.3.2 实验参数选择 | 第46-47页 |
| 4.3.3 实验过程及结果 | 第47-49页 |
| 4.3.4 结果分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于多分类器系统的优化方法 | 第51-57页 |
| 5.1 问题描述 | 第51-52页 |
| 5.1.1 问题的优化目标 | 第51页 |
| 5.1.2 多分类器系统的形式化描述 | 第51-52页 |
| 5.2 分类器投票算法 | 第52-53页 |
| 5.2.1 算法设计与实现 | 第52-53页 |
| 5.2.2 算法复杂度分析 | 第53页 |
| 5.3 实验评测及结果分析 | 第53-56页 |
| 5.3.1 实验设置与数据集 | 第53-54页 |
| 5.3.2 实验参数选择 | 第54页 |
| 5.3.3 实验过程与结果 | 第54-55页 |
| 5.3.4 结果分析 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 结束语 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 作者在学期间取得的学术成果 | 第64页 |