基于非線性SVM的木馬檢測(cè)技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，計(jì)算機(jī)技術(shù)在人們的日常生活中扮演著越來越重要的角色。計(jì)算機(jī)技術(shù)給人們?nèi)粘Ｉ钏蛠肀憬?，但是，信息安全問題也變得越來越突出。計(jì)算機(jī)用戶的信息隱私安全由于計(jì)算機(jī)病毒、黑客攻擊、特洛伊木馬等遭受嚴(yán)重威脅。
　　 木馬是一類潛伏性惡意程序，其目的是通過控制木馬服務(wù)器（用戶端）竊取用戶信息，如銀行卡密碼、重要文件等。木馬以其隱蔽性強(qiáng)、攻擊手段變化多端、危害大成為最常見的計(jì)算機(jī)攻擊技術(shù)之一。因此，研究木馬工作機(jī)理，分析

2、其關(guān)鍵攻擊技術(shù)，進(jìn)而提出針對(duì)木馬的有效檢測(cè)方法具有重要現(xiàn)實(shí)意義。
　　 本文基于可執(zhí)行程序的API調(diào)用序列，提出了一種帶特征選擇的非線性SVM木馬檢測(cè)方法。主要的研究工作包括以下三個(gè)部分:
　　 (1)基于特征選擇算法，建立綜合性能良好的非線性SVM分類器。提取每一個(gè)可執(zhí)行程序的API調(diào)用序列作為特征向量，針對(duì)當(dāng)前互信息算法在特征選擇上的不足，提出一種引入負(fù)相關(guān)因子的互信息值計(jì)算方法。通過改進(jìn)的互信息特征選擇算法保留對(duì)分

3、類結(jié)果起明顯作用的部分特征，然后，采用TFIDF權(quán)重計(jì)算方法將保留出來的部分特征量化成SVM可識(shí)別的數(shù)據(jù)，構(gòu)建SVM特征向量庫，利用樣本數(shù)據(jù)訓(xùn)練非線性SVM分類器，獲得最優(yōu)分類超平面，即綜合性能好的非線性SVM分類器。
　　 (2)利用粒子群算法，優(yōu)化非線性SVM分類器的參數(shù)。本文分析了SVM分類器參數(shù)對(duì)分類結(jié)果的影響，研究當(dāng)前粒子群優(yōu)化算法中慣性因子ω的作用，提出一種讓?duì)卦诰€性減小的同時(shí)，參照當(dāng)前適應(yīng)值較前一代的優(yōu)化程度來進(jìn)行