基于深度学习的恶意代码检测研究

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 本文研究内容

1.4 本文的组织结构

第二章 恶意代码研究分析与发展综述

2.1 恶意代码相关知识

2.1.1 恶意代码概述

2.1.3 恶意代码分析技术

2.2 恶意代码检测相关算法

2.2.1 Simhash算法

2.2.2 LBP特征

2.2.3 稀疏表示

2.2.4 N-gram算法

2.2.5 汉明距离

2.3 深度信念网络

2.3.1 受限玻尔兹曼机

2.3.2 RBM训练方式

2.3.3 BP反向传播算法

2.4 基于citespace的恶意代码检测计量分析

2.4.1 数据来源与研究方法

2.4.2 发文量与研究机构与作者分析

2.4.3 关键词共现网络分析

2.4.4 聚类网络与突发词分析

2.5 本章小结

第三章 基于深度学习的恶意代码检测研究

3.1 构建基于深度信念网络的检测模型

3.1.1 改进并行回火算法的RBM

3.1.2 深度信念网络检测模型

3.2 恶意代码特征提取

3.2.1 恶意代码获取

3.2.2 恶意代码特征提取

3.2.3 恶意代码特征融合

3.2.4 深度信念网络训练过程

3.3 构建基于级联与DBN融合的分层检测模型

3.3.1 级联与DBN分层检测结构

3.3.2 Simhash签名值匹配

3.3.3 LBP级联稀疏表示

3.3.4 反汇编特征匹配

3.3.5 DBN

3.4 基于级联与DBN分层检测流程

3.5 本章小结

第四章 恶意代码检测结果分析与系统实现

4.1 实验检测环境

4.1.1 硬件环境

4.1.2 软件环境

4.2 检测数据集及参数设定

4.2.1 检测数据集

4.2.2 实验参数设定

4.3 恶意代码检测结果对比与分析

4.3.1 基于LBP稀疏表示的检测结果对比分析

4.3.2 基于指令频度特征的检测结果对比分析

4.3.3 基于LBP稀疏表示与指令频度特征的检测结果对比分析

4.3.4 级联与DBN分层检测实验结果对比分析

4.3.5 实验结果总结

4.4 基于恶意代码检测的系统设计与实现

4.4.1 系统分析与功能设计

4.4.2 系统总体构架

4.4.3 数据库设计

4.4.4 系统界面展示

4.5 本章小结

第五章 总结与展望

5.1 本文工作总结

5.2 研究展望

参考文献

在读期间公开发表的论文

致谢