研究惡意代碼分類的可視化方法
大小：1.67 MB 人氣： 2018-01-25 需要積分：2
惡意代碼利用計算機系統漏洞，能竊取、修改或者破壞系統上的數據，甚至摧毀整個系統，是當前信息系統安全的最大威脅。例如，2010年6月首次發現的震網病毒Stuxnet，是專門以摧毀真實世界中工業系統（能源基礎設施）為目的的蠕蟲病毒，感染了全球超過45 000個網絡，尤以伊朗最為嚴重，使得其位于納坦茲的鈾濃縮離心機失控，其能掩蓋故障發生，造成管理部門決策誤判。更為嚴重的是，惡意代碼的數量增殖驚人，僅2014年的第三季度，邁克菲實驗室。2 3每分鐘檢測到的新威脅數量超過307個，即每秒鐘就超過5個；第四季度的惡意軟件更是同比激增了76%。賽門鐵克。31最新的年度安全報告就指出2015年新增了4.3億個惡意軟件。
惡意代碼激增極大地威脅著信息系統安全。為提高辨識效率，加快應急響應速度，結合信息熵的定義，利用Jaccard度量和K最近鄰分類算法，提出一種新的用于研究惡意代碼分類的可視化方法。將二進制文件經局部熵計算轉換成熵像素圖，從視覺角度直觀呈現惡意代碼內部特征，通過降維顯示機制提高相似度比對和分類的效率。實驗結果表明，該方法使用66個族的664個由卡巴斯基命名規則命名的樣本進行評估，平坰分類準確率為93. 67%，能有效地分類惡意代碼樣本。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
研究惡意代碼分類的可視化方法下載
相關電子資料下載
- 人工神經網絡模型的分類有哪些 134
- 一文快速了解RFID技術的構成及分類 109
- 車載無線技術分類介紹 412
- 機器視覺光源的作用、分類及實際應用 118
- 三維可視化運維技術的主要特點和應用 74
- 構建智能化水務生態：精準監控與智能調度 21
- 神經元的分類包括哪些 235
- 卷積神經網絡分類方法有哪些 102
- cnn卷積神經網絡分類有哪些 106
- 基于云平臺地圖數據可視化管理 99