声明
第一章 绪 论
1.2 国内外研究现状
1.3 本文的研究内容
1.4 本文的组织结构
1.5 本章小结
第二章 相关理论及技术概述
2.1.2 恶意软件存在形式
2.2 恶意软件分析技术
2.2.1 静态分析技术
2.2.2 动态分析技术
2.3 经典机器学习算法介绍
2.3.1 朴素贝叶斯
2.3.2 K近邻算法
2.3.3 支持向量机
2.3.4 决策树
2.3.5 随机森林
2.3.6 GBDT
2.4 本章小结
第三章 数据预处理及特征提取
3.2.1 概述
3.2.2 样本脱壳
3.2.3 提取PE头部特征
3.2.4 opcode序列提取
3.2.5 整体特征
3.3.1 卷积神经网络
3.3.2 Word Embedding
3.4 本章小结
第四章 基于融合特征的恶意软件检测方法研究
4.2 基于自编码器的检测方法
4.2.1 层叠自编码器
4.2.2 层叠降噪自编码器
4.2.3 算法框架
4.2.4 算法具体流程
4.3 基于多任务深度学习的检测方法
4.3.1 深度学习应用于恶意软件检测的困难
4.3.2 解决方案
4.3.3 门控卷积
4.3.4 参数设置
4.3.5 训练流程
4.4 本章小结
第五章 实验结果及分析
5.2 评价方法
5.3 实验分析
5.3.1 基于自编码器的实验分析
5.3.2 基于多任务深度学习的实验分析
5.3.3 基于卷积神经网络的对比实验
5.4 本章小结
第六章 全文总结与展望
6.2 后续工作展望
致谢
参考文献
电子科技大学;