机读格式显示(MARC)

• 000 02394nam 2200709 450

• 001 0000273060

• 005 20180703104200.0

• 010 __ |a 978-7-03-051300-7 |d CNY98.00

• 099 __ |a CAL 012017045504

• 100 __ |a 20170405d2017 ekmy0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 恶意软件分析与检测 |A E Yi Ruan Jian Fen Xi Yu Jian Ce |f 王俊峰 ... [等] 著

• 210 __ |a 北京 |c 科学出版社 |d 2017

• 215 __ |a 295页 |c 图 |d 24cm

• 225 2_ |a 信息科学技术学术著作丛书 |A Xin Xi Ke Xue Ji Shu Xue Shu Zhu Zuo Cong Shu

• 320 __ |a 有书目

• 330 __ |a 伴随恶意代码种类和数量的不断增加, 对恶意代码分析方法提出更高要求, 在传统的特征码检测方法与启发式检测方法存在样本分析成本过高、无法有效检测未知恶意软件等问题; 新型基于机器学习的恶意软件检测方法能够提高分析效率以及改善未知恶意软件检测性能, 但存在软件特征语义信息不明显、特征数量庞大以及检测模型过度依赖训练样本等缺点。另一方面, 对于感染后宿主软件中恶意注入代码的局部识别方面, 现有技术有较高的恶意代码分析成本, 且无法对未知感染的结果进行有效识别。本文重点以各类操作系统可执行代码为研究对象, 提出的新方法能够在一定程度上解决恶意代码分析中所需要的通用化要求, 为降低恶意代码分析成本、提高分析效率以及应对未知恶意代码提供新的解决方案。

• 410 _0 |1 2001 |a 信息科学技术学术著作丛书

• 606 0_ |a 计算机网络 |A Ji Suan Ji Wang Luo |x 安全技术

• 690 __ |a TP393.08 |v 5

• 701 _0 |a 王俊峰 |A Wang Jun Feng |4 著

• 801 _0 |a CN |b NMU |c 20170405

• 905 __ |a XATU |d TP393.08/459

• 920 __ |a 215010 |z 1

• 920 __ |a 211010 |z 2

• 920 __ |a 232020 |z 1

• 920 __ |a 211060 |z 2

• 920 __ |a 231220 |z 2

• 920 __ |a 211030 |z 1

• 920 __ |a 221020 |z 1

• 920 __ |a 237010 |z 1

• 920 __ |a 232010 |z 1

• 920 __ |a 231010 |z 1

• 920 __ |a 261011 |z 1

• 920 __ |a 231020 |z 1

• 920 __ |a 244020 |z 1

• 920 __ |a 261020 |z 1

• 920 __ |a 237020 |z 1

• 920 __ |a 244050 |z 1

• 920 __ |a 212020 |z 1

• 920 __ |a 214010 |z 1

• 920 __ |a 245010 |z 1

• 920 __ |a 261030 |z 1

• 920 __ |a 235010 |z 1

• 920 __ |a 244180 |z 1

• 920 __ |a 242010 |z 1

• 920 __ |a 232370 |z 1

• 920 __ |a 244290 |z 1

• 920 __ |a 221130 |z 1

• 920 __ |a 241010 |z 1

• 920 __ |a 211260 |z 1

• 920 __ |a 212010 |z 1

• 920 __ |a 236010 |z 1

• 920 __ |a 251010 |z 1

• 920 __ |a 222040 |z 1

• 920 __ |a 244010 |z 1

• 920 __ |a 211070 |z 1

• 920 __ |a 430102 |z 1

• 998 __ |a NMU