基于支持向量机的恶意软件检测技术研究-计算机技术专业论文.docxVIP

湘潭大学 学位论文原创性声明 本人郑重声明:所里交的论文是本人在导师的指导下独立进仔研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体已经发褒或 m写的成果作品.对本文的研咒做出噩噩贡献的个人相集体.均 己在文中以明确方式标明.本人完全意识到本声明的法律后果由 本人承担. 作者签名 I 5.，州 t! 日朔:)oIJ年 6 月 1 日 学位论文版权使用授权书 本学位论文作者 完全了解学校有关保留、使用学位论文的规定，同意学桂保 留并向国家有关部门或机构送交论文的复 印件和电子版 ，允许论文被查阅和借 阅.本人捏扭湘潭大学可以将本学位论文的全部成部分内容编入有关数据库进行 梭索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文 . 涉密论文按学位规定处理 . 作者签名:刷刷 口朔:)oIS b 月 l 日 导币签名:叫扣 日朔:灿伴 6 )J I 日 I I 摘要 通过最近几年国内外各著名信息安全企业、公司以及国家互联网安全机构的“年度 安全报告”可以看出，在移动互联网络，物联网网络越来越受到人们关注、日趋火热的 时候，传统的病毒、木马依然在 Windows 操作系统上表现猖獗；恶意软件的数量依然呈 爆炸式增长；PC 机的感染量仍然成上升趋势。面对如此海量的恶意软件数量以及严峻 互联网安全形势，传统的基于特征码扫描的静态扫描技术已经不能满足当前信息安全的 新要求。而基于软件行为的恶意软件检测系统容易产生大量误报与漏报，对系统性能也 会造成一定的影响。 本文为解决恶意软件行为分析系统中分类准确率较低的问题，提出了一种基于支持 向量机(SVM)的恶意软件分类方法。使用静态特征与动态特征相结合的方式定义恶意软 件的特征向量。本文首先人工建立了一个以软件行为结果作为行为特征与通过分析正常 软件与恶意软件的 PE 结构信息差异挖掘出的静态特征组成的恶意软件特征库;然后捕获 软件所有行为与静态特征信息，并与恶意软件特征库进行匹配，通过样本转换算法将匹 配结果变成适合 SVM 处理的数据,再利用 SVM 进行分类。在 SVM 模型、核函数以及参 数对(C,g)的选择方面先进行理论分析确定大致范围，再使用网格搜索和遗传算法(GA) 相结合的方式进行寻优。通过大量实验，设计了一个基于 SVM 模型的恶意软件检测系 统。通过对比实验可以看出，基于 SVM 的恶意软件检测系统的误报率与漏报率，比基 于 BP 神经网络、KNN、朴素贝叶斯算法都要低。 在基于 SVM 模型的基础上，结合 KNN 算法提出一种改进的基于 SVM-KNN 模型的 恶意软件检测方法。由对比实验可知，无论在训练样本分布平衡与不平衡的情况下，改 进的 SVM-KNN 分类模型都能有效的提高对恶意软件的分类准确率与检测效率。 关键词：支持向量机；恶意软件；SVM-KNN；软件行为；静态特征 II II Abstract As can be seen in recent years by domestic and foreign well-known information security companies, Internet companies, and national security agencies’s “annual security report“.when the mobile Internet, Internet of things are more and more concerned by people the and becoming increasingly hot ,traditional viruses, Trojans still rampant on the Windows operating system performance; the number of malicious software is still exploding; infective dose of the PC is still a rising trend. Faced with such a massive amount of malicious software and the grim Internet security situation, based on the traditional static signature scanning technology scans can not meet the new requirements of the current information security. The software-based malware detection system beh