基于随机森林的恶意代码分类研究任务书

 2021-11-07 21:53:10

1. 毕业设计（论文）主要目标：

目前，关于恶意代码分析的传统方法不能很好地适应如今的互联网需求。本论文在恶意代码灰度图像以及OpCode N-gram模型的基础上提取特征，用该特征训练随机森林，对样本进行分类。本方法旨在能够在短时间内分析处理超大数据量的恶意代码，并且提高分类准确率。

2. 毕业设计（论文）主要内容：

  1. 将恶意代码样本转化为灰度图像，取若干个像素作为特征。

  2. 使用N-gram算法计算每个样本的N-gram次数，将总体频次最高的k个N-gram作为特征。本文k、N选取不同值进行实验，利用多次实验得出最佳k、N值。

  3. 分别基于灰度图像特征、OpCode N-gram特征以及两者相结合的特征训练生成随机森林，对测试集进行分类，最后比较三种随机森林分类的准确率。

    剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

    3. 主要参考文献

    [1] Kang B J , Yerima S Y , Sezer S , et al. N-gramOpcode Analysis for Android Malware Detection[J]. IJCSA, 2016.

    [2] Moskovitch R , Feher C , Tzachar N , et al. Unknownmalcode detection using OPCODE representation[J]. 2008.

    [3] L. Nataraj, S. Karthikeyan, G. Jacob, and B. S.Manjunath. Malware images: Visualization and automatic classication. InProceedings of the 8th International Symposium on Visualization for CyberSecurity, VizSec ’11, pages 4:1–4:7, New York, NY, USA, 2011. ACM.

    [4] Kancherla K , Mukkamala S . Image visualizationbased malware detection[C]// Computational Intelligence in Cyber Security(CICS), 2013 IEEE Symposium on. IEEE, 2013.

    剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章