惡意軟件識別方法研究與應用.pdf_第1頁
已閱讀1頁,還剩83頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、近年來,我國互聯(lián)網(wǎng)行業(yè)發(fā)展迅速。原來只存在于現(xiàn)實世界的許多事物被不斷地搬上互聯(lián)網(wǎng),比如電子商務、網(wǎng)絡社交、互聯(lián)網(wǎng)金融等。人們的生活已經越來越離不開互聯(lián)網(wǎng),其已經成為人們生活的一部分。
  但在互聯(lián)網(wǎng)不斷融入人們生活的同時,不法分子也大量滲入進來。他們利用惡意軟件竊取用戶帳戶密碼、窺探隱私、發(fā)送垃圾郵件等,從而獲取利益或者破壞正常的互聯(lián)網(wǎng)環(huán)境,這嚴重侵害了普通用戶的利益。對惡意軟件進行準確識別對于保護普通用戶的利益至關重要。但是國內

2、主流的殺毒軟件仍然采用特征碼識別、啟發(fā)式搜索等惡意軟件識別技術?;跈C器學習的惡意識別方法還沒有得到廣泛的研究與使用。故本文主要研究基于機器學習的惡意軟件識別技術。本文主要以windows可執(zhí)行文件為例研究惡意軟件的識別,主要工作如下:
  1.使用靜態(tài)分析技術與動態(tài)分析技術進行軟件樣本的特征的提取,利用提取到的信息構建了包括PE文件頭特征、可讀字符串特征、關鍵行為特征、API調用次數(shù)特征、API調用時間序列、網(wǎng)絡特征等6類特征,

3、以全面刻畫軟件樣本。
  2.提出基于XGBoost的多特征群模型融合算法進行惡意軟件的識別,算法訓練了多個分類模型,相當于訓練了多個精通不同領域的惡意軟件識別專家,每個分類模型使用一個或多個特征群的特征進行模型的訓練。然后綜合他們的識別結果得出最終的識別結果。實驗表明其有較高的惡意軟件識別效果,在本文收集的數(shù)據(jù)集上正確率為97.6%,召回率為97.1%,準確率為96.7%,高于傳統(tǒng)的分類算法。應用該融合算法進行惡意軟件識別為本文

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論