导读:本文包含了恶意软件论文开题报告文献综述及选题提纲参考文献，主要关键词:SOINN算法,恶意软件检测,神经网络,增量学习
恶意软件论文文献综述
张斌,李立勋,董书琴[1]（2019）在《基于改进SOINN算法的恶意软件增量检测方法》一文中研究指出针对基于批量学习的恶意软件检测方法存在检测模型动态更新困难、运算存储开销大的问题,将改进的SOINN算法与有监督分类器有机结合,利用SOINN算法的增量学习特性赋予恶意软件检测模型动态更新能力,有效降低运算存储开销。首先对SOINN算法进行改进:在SOINN算法竞争学习周期内,根据全排列思想搜索所有样本输入次序下神经元的权重调节量,计算所有权重调节量的平均值作为神经元最终权重调节量,避免不同样本输入次序影响训练所得神经网络的稳定性,使所得神经网络更能反映原始数据本质特征,从而提高神经网络针对恶意软件检测的精度。然后采用非负矩阵分解和Z-score归一化对数据进行预处理,将恶意软件行为特征向量从高维高数量级转换至低维低数量级,在提高检测速度的同时有效降低高数量级维度对特征学习的不利影响,进一步提高检测准确性。实验结果表明,所提方法支持检测模型动态更新,对未知新样本的检测准确率显着高于传统检测方法,且运算存储开销更小。(本文来源于《网络与信息安全学报》期刊2019年06期）
姚敏,杨东升[2]（2019）在《移动终端恶意软件流量行为自动化检测方法研究》一文中研究指出为解决传统移动设备恶意软件检测方法对入侵数据定位不准、分辨效果不佳的问题,提出了移动终端恶意软件流量行为自动化检测方法。首先结合特征采集原理提取常见的恶意软件行为特征因子,并根据特征因子定位恶意软件入侵范围,结合动态分析原理筛查定位区域恶意入侵行为影响度及潜在威胁,从而实现对移动终端恶意软件流量行为的准确检测。最后通过实验证实,移动终端恶意软件流量行为自动化检测方法定位精准性相对更高,且具有较高的数据分辨效果,充分满足研究要求。(本文来源于《自动化与仪器仪表》期刊2019年11期）
董坤祥,谢宗晓,甄杰[3]（2019）在《网络空间安全视阈下恶意软件攻防策略研究》一文中研究指出网络空间安全是国家安全和经济安全的基础。本文基于恶意软件的两种攻击方式和叁种用户防治策略,构建网络空间安全视阈下恶意软件攻防的系统动力学模型,对攻防组合策略进行了交叉分析,并用调研数据验证了模型的有效性。研究发现:在恶意软件的预防、应对阶段,安全教育和安全工具投资可抑制恶意软件传播,减少系统安全脆弱性;恢复阶段的成本投入可减少用户损失;针对不同的防治目标,用户应采取不同的组合防治策略。最后提出的对策建议为用户实施有效的恶意软件防治提供理论与实践指导。(本文来源于《科研管理》期刊2019年11期）
李浩,马坤,陈贞翔,赵川[4]（2019）在《基于网络流量分析的未知恶意软件检测》一文中研究指出为了有效检测移动端的未知恶意软件,提出一种基于机器学习算法,并结合提取的具有鲁棒性的网络流量统计特征,训练出具有未知移动恶意网络流量识别能力的检测模型;该模型主要包括Android恶意软件样本数据预处理、网络流量数据自动采集以及机器学习检测模型训练;通过对不同时间节点的零日恶意软件检测的实验,验证模型的有效性。结果表明,所提出的方法对未知恶意样本的检测精度可以超过90%,并且F度量值为80%。(本文来源于《济南大学学报(自然科学版)》期刊2019年06期）
胡芷琦[5]（2019）在《基于改进朴素贝叶斯算法的安卓恶意软件检测研究》一文中研究指出由于安卓平台开源性、免费性的特点,恶意软件的数量急剧增长,其安全问题面临巨大挑战。现有的基于权限进行安卓恶意软件的静态检测方法中,往往利用单一的权限,缺少特征性,据此该文提出了一种安卓恶意软件检测的方案,通过反编译软件提取权限,运用改进的朴素贝叶斯方法进行分类,实验结果表明,基于权限组合,使用改进的朴素贝叶斯算法相比于传统的算法,具有较好的分类结果,准确率达到95%。(本文来源于《软件》期刊2019年10期）
石兴华,曹金璇,芦天亮[6]（2019）在《基于深度森林的安卓恶意软件行为分析与检测》一文中研究指出随着移动互联网渐渐渗入人们的日常生活,面向安卓的恶意软件也对用户产生着愈发巨大的负面影响。本文针对传统安卓恶意软件静态检测技术在检测多分类恶意行为时准确性及灵活性的不足,提出了一种基于深度森林(Gcforest)的恶意软件行为检测机制,最后经过实验测试与对比,证明此机制在恶意软件行为检测效果、参数调节难易度上具有明显优势。(本文来源于《软件》期刊2019年10期）
张健,陈博翰,宫良一,顾兆军[7]（2019）在《基于图像分析的恶意软件检测技术研究》一文中研究指出随着恶意软件在复杂性和数量方面的不断增长,恶意软件检测变得越来越具有挑战性。目前最常见的恶意软件检测方法是使用机器学习技术进行恶意软件检测。为进一步提高恶意软件分析的效率,一些研究人员提出基于图像分析的方法对恶意软件进行分类。文章总结了使用图像分析方法检测恶意软件的不同方法,并从图像生成、特征提取和分类算法等方面进行了对比,最后针对图像分析方法的不足提出了解决方案。(本文来源于《信息网络安全》期刊2019年10期）
崔艳鹏,颜波,胡建伟[8]（2019）在《基于抽象API调用序列的Android恶意软件检测方法》一文中研究指出随着Android版本的不断更替,以及恶意软件的代码混淆技术的发展,主流的静态检测方法开始面临检测效率逐年下降的问题。针对上述问题,提出一种基于抽象API调用序列的Android恶意软件检测方法。该方法采用API包名、混淆名和自定义名来抽象API调用序列,使得抽象出来的序列不依赖API版本,同时又包含混淆代码特征,具有更好的容错性。在此基础上,计算抽象API调用序列之间的转移概率矩阵作为分类特征,采用RandomForest分类算法进行恶意软件检测。实验结果表明,该方法对API版本依赖性小,且判别准确率高于一般使用API调用序列作为特征的判别方法,从而能更有效地检测未知应用软件的恶意性。(本文来源于《计算机应用与软件》期刊2019年09期）
宋鑫,赵楷,张琳琳,方文波[9]（2019）在《基于随机森林的Android恶意软件检测方法研究》一文中研究指出文章基于随机森林提出一种Android恶意软件检测方法。以Android的权限作为特征定义了有效权限,利用数据挖掘算法中的支持度和关联规则对权限进行分析,实现有效权限识别。文章构建了随机森林分类器,将有效权限矩阵作为分类器的输入进行训练和测试。实验结果表明,文中方法的检测结果准确率达到92.84%,F值达到93.05%,明显优于其他检测模型。(本文来源于《信息网络安全》期刊2019年09期）
郝冬梅[10]（2019）在《治理恶意软件须防卷土重来》一文中研究指出据媒体报道，今年上半年，国家互联网应急中心累计协调国内177家提供移动应用程序下载服务的平台，下架1190个移动互联网恶意程序，一批“流氓软件”“恶意软件”下架。数据显示，今年上半年，国家互联网应急中心通过自主捕获和厂商交换获得移动互联网恶意程序(本文来源于《中国商报》期刊2019-08-20）
恶意软件论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决传统移动设备恶意软件检测方法对入侵数据定位不准、分辨效果不佳的问题,提出了移动终端恶意软件流量行为自动化检测方法。首先结合特征采集原理提取常见的恶意软件行为特征因子,并根据特征因子定位恶意软件入侵范围,结合动态分析原理筛查定位区域恶意入侵行为影响度及潜在威胁,从而实现对移动终端恶意软件流量行为的准确检测。最后通过实验证实,移动终端恶意软件流量行为自动化检测方法定位精准性相对更高,且具有较高的数据分辨效果,充分满足研究要求。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
恶意软件论文参考文献
[1].张斌,李立勋,董书琴.基于改进SOINN算法的恶意软件增量检测方法[J].网络与信息安全学报.2019
[2].姚敏,杨东升.移动终端恶意软件流量行为自动化检测方法研究[J].自动化与仪器仪表.2019
[3].董坤祥,谢宗晓,甄杰.网络空间安全视阈下恶意软件攻防策略研究[J].科研管理.2019
[4].李浩,马坤,陈贞翔,赵川.基于网络流量分析的未知恶意软件检测[J].济南大学学报(自然科学版).2019
[5].胡芷琦.基于改进朴素贝叶斯算法的安卓恶意软件检测研究[J].软件.2019
[6].石兴华,曹金璇,芦天亮.基于深度森林的安卓恶意软件行为分析与检测[J].软件.2019
[7].张健,陈博翰,宫良一,顾兆军.基于图像分析的恶意软件检测技术研究[J].信息网络安全.2019
[8].崔艳鹏,颜波,胡建伟.基于抽象API调用序列的Android恶意软件检测方法[J].计算机应用与软件.2019
[9].宋鑫,赵楷,张琳琳,方文波.基于随机森林的Android恶意软件检测方法研究[J].信息网络安全.2019
[10].郝冬梅.治理恶意软件须防卷土重来[N].中国商报.2019