一、基于API的特殊窗口操作研究（論文文獻(xiàn)綜述）
蘇丹[1]（2021）在《安卓應(yīng)用行為刻畫方法及關(guān)鍵技術(shù)研究》文中研究指明移動(dòng)互聯(lián)網(wǎng)的迅猛發(fā)展改變著人們的衣食住行等各個(gè)方面,智能移動(dòng)終端已經(jīng)成為生活中不可或缺的重要工具。其中,安卓平臺(tái)以其開放性及易用性迅速占領(lǐng)手機(jī)市場(chǎng),與之配套的數(shù)以百萬計(jì)的安卓應(yīng)用可以滿足用戶不同的功能需求。然而,種類繁多的安卓應(yīng)用中魚目混珠,引發(fā)了新的隱私風(fēng)險(xiǎn)和安全問題。一方面,惡意應(yīng)用的隱私竊取、鎖屏勒索等惡意行為給用戶造成了重大數(shù)據(jù)和財(cái)產(chǎn)損失;另一方面,大量低質(zhì)量應(yīng)用混跡于應(yīng)用市場(chǎng)內(nèi),給用戶在選擇應(yīng)用時(shí)帶來困難。如何刻畫應(yīng)用行為,有效檢測(cè)惡意應(yīng)用,篩選出高質(zhì)量應(yīng)用,保護(hù)用戶的信息和財(cái)產(chǎn)安全,凈化安卓生態(tài)環(huán)境,已成為當(dāng)前信息安全領(lǐng)域迫在眉睫的關(guān)鍵問題。本文以安卓應(yīng)用為主要研究對(duì)象,針對(duì)惡意應(yīng)用家族分類、鎖屏勒索軟件檢測(cè)、應(yīng)用質(zhì)量評(píng)估這三個(gè)伴隨安卓系統(tǒng)發(fā)展衍生出的關(guān)鍵問題,以問題為導(dǎo)向,基于現(xiàn)有的領(lǐng)域內(nèi)研究基礎(chǔ),致力于安卓應(yīng)用行為刻畫方法及應(yīng)用研究。力求探索不同實(shí)際問題場(chǎng)景下安卓應(yīng)用的行為機(jī)理,發(fā)現(xiàn)行為規(guī)律,提出了多源異構(gòu)細(xì)粒度的行為特征集,對(duì)行為進(jìn)行精準(zhǔn)刻畫及表達(dá),并結(jié)合具體的分類需求,構(gòu)建了相應(yīng)的檢測(cè)模型,達(dá)到能高效區(qū)分正常應(yīng)用與惡意應(yīng)用、高質(zhì)量應(yīng)用與低質(zhì)量應(yīng)用的目標(biāo)。本文的主要貢獻(xiàn)如下:（1）提出了基于應(yīng)用關(guān)系圖社區(qū)發(fā)現(xiàn)的惡意應(yīng)用家族分類方法。首先,針對(duì)惡意應(yīng)用家族邊界模糊的現(xiàn)狀,提取了包含11類多源細(xì)粒度特征刻畫惡意應(yīng)用家族行為。其次,針對(duì)傳統(tǒng)聚類算法對(duì)惡意應(yīng)用之間相似性評(píng)定粒度較粗的問題,將行為特征與圖模型融合,構(gòu)建了惡意應(yīng)用關(guān)系圖來刻畫應(yīng)用間的相似性。在構(gòu)建關(guān)系圖時(shí),為克服ε圖的孤立點(diǎn)問題和k近鄰圖的過度均衡問題,將二者融合,提出了 E-N建圖方法。最后,本文以社區(qū)而非孤立的角度看待惡意應(yīng)用,提出了基于應(yīng)用關(guān)系圖社區(qū)劃分的惡意應(yīng)用家族分類方法。本文評(píng)估了不同特征集的有效性和檢測(cè)惡意應(yīng)用的局限性,對(duì)比了檢測(cè)的社區(qū)分布與原始家族分布的差異,提供了家族間相似性的直觀展示。在來自13個(gè)家族的3996個(gè)惡意應(yīng)用樣本集上驗(yàn)證了家族特征集及家族分類方法的有效性,達(dá)到Rand指數(shù)為94.93%、準(zhǔn)確率為79.53%的檢測(cè)結(jié)果。（2）提出了基于典型行為特征的安卓鎖屏勒索軟件檢測(cè)方法。本文是較早系統(tǒng)性分析國(guó)內(nèi)社交網(wǎng)絡(luò)上安卓鎖屏勒索軟件的工作。首先,本文對(duì)國(guó)內(nèi)社交網(wǎng)絡(luò)上的鎖屏勒索軟件交易進(jìn)行全面研究,詳細(xì)揭露交易產(chǎn)業(yè)鏈傳播策略、開發(fā)模式、盈利模式及加密方式。其次,鎖屏勒索軟件的獨(dú)特行為無法用傳統(tǒng)常用的靜態(tài)特征準(zhǔn)確描述,本文在分析大量樣本后,提出了鎖屏勒索軟件典型行為特征集,從多種來源提取了“言”和“行”兩方面共6類特征。此特征集能夠克服因混淆導(dǎo)致的傳統(tǒng)基于API名稱為特征的檢測(cè)方法失效的問題,可以檢測(cè)出加殼并偽裝成熱門應(yīng)用的鎖屏勒索軟件。最后,提出了基于典型行為特征的安卓鎖屏勒索軟件檢測(cè)方法,采用機(jī)器學(xué)習(xí)算法集成決策高效檢測(cè)鎖屏勒索軟件。本文從國(guó)內(nèi)社交網(wǎng)絡(luò)上收集了 301個(gè)真實(shí)傳播的鎖屏勒索軟件樣本,從安智市場(chǎng)收集了 15751個(gè)正常樣本組成實(shí)驗(yàn)數(shù)據(jù)集,評(píng)估了鎖屏勒索軟件的特征集及檢測(cè)方法的有效性。實(shí)驗(yàn)結(jié)果顯示,本文提出的特征和檢測(cè)方法達(dá)到了平均99.98%的準(zhǔn)確度。（3）提出了基于界面跳轉(zhuǎn)屬性圖的安卓應(yīng)用質(zhì)量評(píng)估方法。針對(duì)基于用戶生成的統(tǒng)計(jì)數(shù)據(jù)推薦應(yīng)用而造成的冷啟動(dòng)問題,本文旨在通過應(yīng)用本身的特征對(duì)其進(jìn)行質(zhì)量評(píng)估。由于正常應(yīng)用行為更加多樣,需尋找不同種類間高質(zhì)量應(yīng)用的共同點(diǎn),構(gòu)建能對(duì)不同種類應(yīng)用的質(zhì)量進(jìn)行統(tǒng)一刻畫的特征。首先,本文根據(jù)調(diào)研得出能夠刻畫應(yīng)用質(zhì)量的特征依據(jù),提出了由界面級(jí)特征和應(yīng)用級(jí)特征組成的雙結(jié)構(gòu)應(yīng)用質(zhì)量評(píng)估特征集。在動(dòng)態(tài)分析過程中,提出了基于界面控件優(yōu)先級(jí)的動(dòng)態(tài)觸發(fā)機(jī)制,提高了分析覆蓋率。其次,本文提出了圖-向量標(biāo)準(zhǔn)化模型及多源異構(gòu)特征融合方法,使得不同規(guī)模的界面級(jí)特征轉(zhuǎn)化成標(biāo)準(zhǔn)的向量表達(dá),而后與應(yīng)用級(jí)特征融合,形成能刻畫整個(gè)應(yīng)用的特征向量。最后,提出了基于界面跳轉(zhuǎn)屬性圖的安卓應(yīng)用質(zhì)量評(píng)估方法,集成機(jī)器學(xué)習(xí)算法將應(yīng)用劃分為不同質(zhì)量等級(jí),用于區(qū)分高質(zhì)量與低質(zhì)量應(yīng)用。本文詳細(xì)對(duì)比了不同質(zhì)量應(yīng)用間的特征差異,并在圖-向量映射方法中與多種其他方法對(duì)比,闡述了特征集和方法的有效性。在來自Google Play的16類共3050個(gè)應(yīng)用的數(shù)據(jù)集上評(píng)估了上述方法,取得最佳85%的分類準(zhǔn)確率。
李浩然[2]（2021）在《基于Revit的筏形基礎(chǔ)參數(shù)化設(shè)計(jì)的研究》文中認(rèn)為隨著我國(guó)的經(jīng)濟(jì)實(shí)力快速崛起,城市化程度不斷地提高,導(dǎo)致我國(guó)的城市用地緊張的狀況愈演愈烈。以筏形基礎(chǔ)為主的高層建筑群體憑借其良好的占地面積利用率完美地解決了這個(gè)新時(shí)代城市發(fā)展的難題。近年來,伴隨著建筑信息化的新理念不斷地沖擊著傳統(tǒng)的土木行業(yè),BIM技術(shù)作為一種勢(shì)不可擋的發(fā)展趨勢(shì)也逐漸地被行業(yè)內(nèi)的從業(yè)人員所認(rèn)可。Revit是BIM系統(tǒng)中主要的建模軟件。雖然目前它在工程實(shí)例中有著不俗的表現(xiàn),但是由于存在開發(fā)時(shí)間較短且開發(fā)人員不足的問題,軟件的許多功能還有待完善。值得注意的是Revit二次開發(fā)的目前方向主要針對(duì)于結(jié)構(gòu)整體的上部,而作為現(xiàn)代高層建筑應(yīng)用最為廣泛的筏形基礎(chǔ)卻沒有在Revit功能開發(fā)中得到應(yīng)有的重視。因此,為了解決上述問題,本文基于Revit軟件,利用Visual Studio 2019平臺(tái)對(duì)筏形基礎(chǔ)的參數(shù)化設(shè)計(jì)進(jìn)行二次開發(fā)。二次開發(fā)的功能主要有筏形基礎(chǔ)的自動(dòng)化建模、模型參數(shù)修改、校核和內(nèi)力計(jì)算以及配筋出圖等。主要的工作內(nèi)容如下:（1）總結(jié)分析常見筏形基礎(chǔ)的構(gòu)造細(xì)節(jié)以及適用條件。（2）學(xué)習(xí)C#語(yǔ)言、Revit的基本知識(shí)。結(jié)合已有的研究成果,掌握Revit API幫助文檔在Revit中二次開發(fā)的相關(guān)方法,并對(duì)本課題中筏形基礎(chǔ)的參數(shù)化設(shè)計(jì)的具體思路進(jìn)行整理。（3）學(xué)習(xí)Revit手動(dòng)建族的方法,補(bǔ)充筏形基礎(chǔ)在Revit中的族文件,并對(duì)模型的自動(dòng)化生成進(jìn)行代碼編寫,同時(shí)利用手動(dòng)創(chuàng)建的族文件與Revit軟件的關(guān)聯(lián)性,實(shí)現(xiàn)筏形基礎(chǔ)的參數(shù)化修改。（4）通過查閱規(guī)范、教材對(duì)筏形基礎(chǔ)的校核和內(nèi)力計(jì)算步驟進(jìn)行總結(jié)和歸類,同時(shí)完成計(jì)算參數(shù)的輸入以及計(jì)算結(jié)果和配筋需求的輸出等功能的代碼編寫。（5）編寫自動(dòng)配筋插件,輔助設(shè)計(jì)者利用插件結(jié)合Revit可以更加便捷地完成筏形基礎(chǔ)的配筋。（6）利用Ribbon工具欄將本文設(shè)計(jì)插件的各個(gè)功能整合成相應(yīng)的按鈕,使用戶可以在Revit的工具欄中更加便捷地使用此插件系統(tǒng)。（7）結(jié)合具體的應(yīng)用實(shí)例,驗(yàn)證本文研究插件的可行性。最終得出利用此插件可以幫助用戶在Revit上實(shí)現(xiàn)自動(dòng)建模、計(jì)算配筋出圖等功能的結(jié)論。
周子聞[3]（2021）在《自動(dòng)化測(cè)試中GUI目標(biāo)的模式識(shí)別方法研究》文中研究指明GUI（Graphical User Interface）軟件測(cè)試是針對(duì)擁有圖形用戶界面的軟件進(jìn)行測(cè)試,它能夠有效的檢測(cè)出軟件中潛在的錯(cuò)誤或缺陷。GUI自動(dòng)化測(cè)試技術(shù)的出現(xiàn),有效地減少了測(cè)試資源的投入,提高了測(cè)試過程的整體效率,并且在保證了軟件質(zhì)量的基礎(chǔ)上,減少軟件開發(fā)迭代周期。對(duì)于所有GUI自動(dòng)化測(cè)試工具而言,如何識(shí)別被測(cè)對(duì)象是其首要問題和關(guān)鍵技術(shù)。傳統(tǒng)的控件識(shí)別方法是以開發(fā)框架和測(cè)試工具的API為基礎(chǔ)的,非常依賴API的開放性,存在識(shí)別范圍受限、靈活性低和成本高的缺點(diǎn),且測(cè)試者需了解部分代碼實(shí)現(xiàn)。近年來圖像模式識(shí)別技術(shù)快速發(fā)展,基于圖像識(shí)別的GUI控件識(shí)別方法表現(xiàn)出色。本文在圖像處理技術(shù)和圖像模式識(shí)別的模板匹配技術(shù)上,提出一種新型快速模板匹配算法。并以新型快速模板匹配算法為識(shí)別驅(qū)動(dòng),結(jié)合其他輔助功能,設(shè)計(jì)一款GUI目標(biāo)快速識(shí)別工具;用于解決現(xiàn)有測(cè)試工具的識(shí)別方法,在識(shí)別范圍受限、靈活性低、圖像分辨率敏感和識(shí)別速度低等缺陷。本文的主要研究?jī)?nèi)容包括以下三點(diǎn)。（1）研究圖像模式識(shí)別技術(shù)中的模板匹配算法和Open CV中模板匹配的相似度算法,結(jié)合圖像處理技術(shù)和像素點(diǎn)對(duì)比方法,提出了一種新型快速模板匹配方法,并應(yīng)用于軟件界面中控件等GUI目標(biāo)元素的識(shí)別。（2）針對(duì)現(xiàn)有識(shí)別方法的優(yōu)缺點(diǎn),結(jié)合本文提出的新型快速模板匹配方法,開發(fā)了基于圖像模式識(shí)別的GUI目標(biāo)快速識(shí)別工具。并結(jié)合實(shí)際測(cè)試需求,在該工具中增加了相應(yīng)的輔助功能,如自動(dòng)抓取被測(cè)軟件界面圖、模板圖自動(dòng)拉伸和匹配結(jié)果存儲(chǔ)等,以提升其適應(yīng)性、識(shí)別效率、識(shí)別準(zhǔn)確性以及使用便捷性。（3）對(duì)本文開發(fā)的工具在識(shí)別準(zhǔn)確率和識(shí)別速度兩個(gè)方面進(jìn)行實(shí)驗(yàn)驗(yàn)證,分析本文提出的新型快速模板匹配方法在原始算法上的提升,并與現(xiàn)有成熟工具中的識(shí)別方法進(jìn)行對(duì)比。
呂鵬[4]（2020）在《智能相機(jī)后臺(tái)管理軟件設(shè)計(jì)與實(shí)現(xiàn)》文中認(rèn)為隨著智能相機(jī)產(chǎn)品性能不斷提高,應(yīng)用領(lǐng)域更加廣泛,對(duì)智能相機(jī)后臺(tái)管理軟件提出了更高的要求。智能相機(jī)后臺(tái)管理軟件為用戶提供了可視化交互界面,方便用戶操作智能相機(jī)以及訪問數(shù)據(jù)并作分析處理,從而降低智能相機(jī)的使用復(fù)雜度并提高整個(gè)系統(tǒng)的工作效率,所以開發(fā)出優(yōu)秀的智能相機(jī)后臺(tái)管理軟件是智能相機(jī)產(chǎn)業(yè)的重要環(huán)節(jié)。本文設(shè)計(jì)開發(fā)的智能相機(jī)后臺(tái)管理軟件主要實(shí)現(xiàn)了后臺(tái)管理軟件與智能相機(jī)平臺(tái)的數(shù)據(jù)通信功能與參數(shù)配置功能,用戶可以方便地通過可視化交互界面實(shí)現(xiàn)對(duì)智能相機(jī)的控制與數(shù)據(jù)獲取。本文主要工作內(nèi)容如下:（1）基于MFC設(shè)計(jì)開發(fā)了后臺(tái)管理軟件可視化交互界面。采用懸浮窗口布局?jǐn)U展了功能區(qū),使用Open CV開源視覺庫(kù)實(shí)現(xiàn)了對(duì)圖像的基本操作。（2）基于Gig E Vision協(xié)議設(shè)計(jì)并實(shí)現(xiàn)了后臺(tái)管理軟件通信模塊。分析了Gig E Vision協(xié)議的主要內(nèi)容,設(shè)計(jì)并實(shí)現(xiàn)了控制通道和流通道,實(shí)現(xiàn)了管理軟件命令消息的可靠傳輸與文件數(shù)據(jù)流的高速可靠接收。封裝數(shù)據(jù)通信模塊函數(shù)為動(dòng)態(tài)鏈接庫(kù),提供函數(shù)接口供其他應(yīng)用程序調(diào)用。（3）基于Gen ICam標(biāo)準(zhǔn)的Gen Api模塊設(shè)計(jì)并實(shí)現(xiàn)了后臺(tái)管理軟件參數(shù)配置功能。根據(jù)Gen Api節(jié)點(diǎn)約定設(shè)計(jì)并生成了XML設(shè)備描述文件。實(shí)現(xiàn)了XML設(shè)備描述文件的可靠傳輸,并基于Tiny XML2函數(shù)庫(kù)解析XML設(shè)備描述文件,完成對(duì)智能相機(jī)的參數(shù)配置。結(jié)合具體使用環(huán)境搭建后臺(tái)管理軟件測(cè)試平臺(tái),利用Wireshark、VS性能探測(cè)器等工具測(cè)試了管理軟件運(yùn)行情況,并對(duì)測(cè)試結(jié)果進(jìn)行了驗(yàn)證和分析。實(shí)驗(yàn)結(jié)果表明,后臺(tái)管理軟件資源占用少,運(yùn)行速度快,故障率低。與智能相機(jī)平臺(tái)進(jìn)行數(shù)據(jù)交互時(shí),XML設(shè)備描述文件和參數(shù)配置命令消息傳輸穩(wěn)定可靠,大文件數(shù)據(jù)流傳輸速率可達(dá)100Mbps,同時(shí)可以有效處理丟包情況,能夠滿足實(shí)際使用的要求。
張婷婷[5]（2020）在《基于Tesseract＿OCR文字識(shí)別系統(tǒng)的研究》文中研究指明隨著科學(xué)技術(shù)的發(fā)展,文字識(shí)別成為了日常生活中使用最為頻繁的技術(shù),特別是在圖書館、報(bào)社等地方。為節(jié)省成本,大量的圖書、報(bào)紙和雜志等文本文檔要以電子文檔的形式進(jìn)行存儲(chǔ)。借助于不斷更新?lián)Q代的電子設(shè)備產(chǎn)品和技術(shù),在對(duì)圖書館中的圖書、期刊,報(bào)社的報(bào)紙、雜志或以圖片形式保存的文字等進(jìn)行OCR（Optical Character Recognition,光學(xué)字符識(shí)別）成為了實(shí)現(xiàn)智能輸入的重要環(huán)節(jié),不僅提高了行事效率又節(jié)省了成本開支。利用OCR技術(shù)進(jìn)行文字信息識(shí)別時(shí),只需要將文字載體制作成圖片形式進(jìn)行保存,進(jìn)而輸入到文字識(shí)別系統(tǒng)里即可。隨著信息時(shí)代的發(fā)展,各國(guó)語(yǔ)言字體精確、快速地被成功識(shí)別成為了計(jì)算機(jī)科學(xué)領(lǐng)域的重要課題之一。因?yàn)橐玫絆CR技術(shù)對(duì)文字進(jìn)行識(shí)別操作,所以原始文字圖片的獲取是文字可以被精確識(shí)別的一個(gè)重要因素。最為理想的圖像采集設(shè)備是掃描儀,它不僅能保證圖像沒有任何背景并且還可以確保圖像正面成像。但是掃描儀卻不是生活中常具備的,多數(shù)情況下是使用手機(jī)攝像頭進(jìn)行文字圖像的拍攝,雖然方便,但是這樣拍攝出來的圖像質(zhì)量比較低,會(huì)出現(xiàn)一些不可預(yù)測(cè)的問題,比如不均勻的光線造成的失真,相機(jī)對(duì)焦不準(zhǔn)確造成的圖像模糊等。為了解決這些問題,論文首先對(duì)圖像做了一系列的預(yù)處理工作,如圖像二值化、銳化增強(qiáng)處理、去噪、矯正等。圖像預(yù)處理過程是確保文字被正確識(shí)別的一個(gè)重要因素,同時(shí)也是訓(xùn)練自定義字符庫(kù)時(shí),常見文字被覆蓋全面的重要保證。然后是Tesseract引擎源碼的研究和使用,通過對(duì)源碼的研究,更深層次研究文字識(shí)別的原理和流程。針對(duì)如何訓(xùn)練自定義字符庫(kù)及訓(xùn)練過程的優(yōu)化進(jìn)行研究,并結(jié)合自定義的訓(xùn)練庫(kù)實(shí)現(xiàn)文字識(shí)別系統(tǒng)。最后基于對(duì)圖像處理的研究、C++11的應(yīng)用以及tesseract引擎的研究對(duì)文字識(shí)別的整個(gè)過程進(jìn)行封裝,并使用MFC應(yīng)用程序框架在VS2015環(huán)境下開發(fā)一款可視化界面工具,實(shí)現(xiàn)文字識(shí)別操作的整個(gè)流程。同時(shí),對(duì)這個(gè)可視化工具進(jìn)行了嚴(yán)格的黑盒、性能等測(cè)試工作,驗(yàn)證工具的健壯性和穩(wěn)定性。
孟慶儒[6]（2020）在《基于界面特征的iOS仿冒應(yīng)用檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)》文中進(jìn)行了進(jìn)一步梳理隨著移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展,移動(dòng)應(yīng)用已經(jīng)迅速普及到我們生活中的每一個(gè)角落,與此同時(shí)也有大量的仿冒應(yīng)用充斥在應(yīng)用商店中。仿冒應(yīng)用制作者通過在正版應(yīng)用中插入惡意代碼、修改原有程序邏輯等方式,竊取用戶隱私,或者利用UI克隆技術(shù)制作山寨應(yīng)用誘導(dǎo)用戶下載,侵犯正版應(yīng)用開發(fā)者的權(quán)益。仿冒應(yīng)用檢測(cè)技術(shù)就是通過衡量?jī)煽顟?yīng)用之間的相似性,判定二者之間是否存在仿冒現(xiàn)象。因?yàn)閕OS系統(tǒng)封閉性的原因,采集第三方iOS應(yīng)用的運(yùn)行時(shí)界面特征存在困難,所以現(xiàn)有的iOS仿冒應(yīng)用檢測(cè)研究大多基于應(yīng)用名稱、圖標(biāo)等包文件信息來判定應(yīng)用之間的相似程度,但會(huì)受到包文件篡改的影響而降低準(zhǔn)確率。考慮到視圖布局的修改會(huì)影響界面視覺效果從而降低誘導(dǎo)性,本文選用視圖布局衡量界面相似度,設(shè)計(jì)并實(shí)現(xiàn)了基于界面特征的iOS仿冒應(yīng)用檢測(cè)系統(tǒng),本文的具體工作如下:1.本文提出了一種基于Hook技術(shù)的iOS應(yīng)用界面視圖布局采集技術(shù),相比現(xiàn)有研究成果具有識(shí)別自定義UI組件更加準(zhǔn)確且不依賴PC端交互的特點(diǎn)。在此基礎(chǔ)上借助XML文檔相似度計(jì)算方法,實(shí)現(xiàn)了一種基于視圖布局的iOS應(yīng)用界面相似度檢測(cè)方案。2.本文提出了一種iOS應(yīng)用自動(dòng)化遍歷技術(shù),相比現(xiàn)有研究成果具備遍歷路徑可控且遍歷效率高的特點(diǎn)。它通過識(shí)別界面控件并構(gòu)造UI交互驅(qū)動(dòng)頁(yè)面跳轉(zhuǎn),借助系統(tǒng)API調(diào)用對(duì)頁(yè)面遍歷路徑以及遍歷深度實(shí)施有效控制,在此基礎(chǔ)上具備完善的異常事件處理機(jī)制能夠應(yīng)對(duì)彈框遮擋、廣告跳轉(zhuǎn)等異常情況。3.本文設(shè)計(jì)并實(shí)現(xiàn)了基于界面特征的iOS仿冒應(yīng)用檢測(cè)系統(tǒng)。它首先通過自動(dòng)化遍歷工具充分采集應(yīng)用界面特征,然后借助界面相似度計(jì)算方案結(jié)合二分圖匹配算法判定兩款應(yīng)用之間是否存在仿冒現(xiàn)象。最終通過實(shí)驗(yàn)驗(yàn)證了本文實(shí)現(xiàn)的仿冒應(yīng)用檢測(cè)系統(tǒng)的可用性以及應(yīng)用自動(dòng)化遍歷技術(shù)的高效性。
劉亞姝[7]（2020）在《基于機(jī)器學(xué)習(xí)的惡意代碼特征提取與分類的研究》文中研究說明在當(dāng)前復(fù)雜網(wǎng)絡(luò)環(huán)境下,惡意代碼通過各種方式快速傳播、非法入侵用戶終端設(shè)備或網(wǎng)絡(luò)設(shè)備、非法竊取用戶隱私數(shù)據(jù),對(duì)網(wǎng)絡(luò)安全和信息安全造成了嚴(yán)重的威脅。幾十年來,惡意代碼的檢測(cè)一直受到研究人員和安全廠商的關(guān)注。為了更準(zhǔn)確地檢測(cè)出惡意代碼,本文將機(jī)器學(xué)習(xí)技術(shù)與惡意代碼分析相結(jié)合,提出了惡意代碼特征提取與分類的一系列新方法,與同類方法相比本文方法具有更好的分類準(zhǔn)確率和識(shí)別能力,主要貢獻(xiàn)如下:（1）提出了一種基于多層學(xué)習(xí)Bo VW模型的惡意代碼可視化特征提取與分類的方法。引入“視覺詞包”,將對(duì)惡意代碼二進(jìn)制可執(zhí)行文件的分析轉(zhuǎn)化為對(duì)灰度圖像的分析。經(jīng)過多層學(xué)習(xí)模型的分塊、聚類、詞包化過程獲取更具魯棒性的特征,該特征比全局特征更靈活、比局部特征更具有魯棒性。多種分類器的實(shí)驗(yàn)結(jié)果表明,在多個(gè)數(shù)據(jù)集上Bo VW模型都能夠獲得較高的分類準(zhǔn)確率。（2）提出了多特征融合的惡意代碼特征表示方法,并有效提高惡意代碼變體檢測(cè)的準(zhǔn)確率。給出了LBP算法的一種改進(jìn)方法,并將全局特征（GIST）與局部特征（LBP或dense SIFT）相融合,構(gòu)造抗混淆、抗干擾的融合特征,解決了在惡意代碼灰度圖像相似度較高或差異性較大時(shí)全局特征分類準(zhǔn)確性急劇降低的問題。實(shí)驗(yàn)結(jié)果表明,該方法與傳統(tǒng)方法相比具有更好的穩(wěn)定性,在較易混淆的數(shù)據(jù)集上,分類準(zhǔn)確率也有了明顯的提高。（3）提出了一種惡意代碼函數(shù)塊操作碼序列simhash相似性度量的新方法,能夠有效解決由于simhash過于敏感造成惡意代碼分類困難的問題。首先通過逆向工程提取樣本的函數(shù)塊操作碼序列并計(jì)算simhash值,通過對(duì)simhash灰度圖的特征提取與分類,解決了漢明距離難以判斷函數(shù)塊simhash值相似性的問題。實(shí)驗(yàn)結(jié)果表明,該方法不僅能夠獲得有效信息密度增強(qiáng)的分類特征,與傳統(tǒng)方法相比,效率更高、分類結(jié)果更準(zhǔn)確。同時(shí),也為simhash降維提供了一種新的思路。（4）提出了一種基于概率主題模型的惡意代碼無監(jiān)督檢測(cè)方法。本文結(jié)合潛在狄立克雷分布（latent Dirichlet allocation,LDA）獲得匯編指令中潛在的“文檔-主題”、“主題-詞”的分布,給出一種無監(jiān)督的惡意代碼識(shí)別方法。以“主題分布”構(gòu)造惡意樣本特征,產(chǎn)生一個(gè)全新的惡意代碼檢測(cè)框架。并結(jié)合“困惑度”和變化的步長(zhǎng)給出了最優(yōu)“主題”數(shù)目的快速評(píng)價(jià)和自動(dòng)確定方法,解決了LDA模型中主題數(shù)目需要預(yù)先指定的問題。同時(shí)解析了“文檔-主題”、“主題-詞”的聚集結(jié)果,說明了本文方法獲得的樣本特征具有潛在的語(yǔ)義信息。與其他方法相比本文方法能夠準(zhǔn)確地識(shí)別惡意代碼的新變體。（5）提出了一種基于異質(zhì)信息網(wǎng)絡(luò)（heterogeneous information network,HIN）的惡意代碼動(dòng)態(tài)特征描述與分類的方法。通過沙盒動(dòng)態(tài)獲取樣本的“API”、“DLL”信息,并構(gòu)造異質(zhì)信息網(wǎng)絡(luò)。構(gòu)建“FILE”、“API”、“DLL”三類對(duì)象的4種元圖,刻畫惡意代碼HIN的網(wǎng)絡(luò)模式。本文給出了改進(jìn)的隨機(jī)游走策略,盡可能多地獲取元圖中對(duì)象節(jié)點(diǎn)的上下文信息,將其作為CBOW模型的輸入得到詞向量的網(wǎng)絡(luò)嵌入。通過投票方法改進(jìn)主角度分析模型,得到多元圖特征融合的分類結(jié)果。與他人方法相比,本文方法在僅可獲得有限信息的情況下,大大提高了基于單元圖特征的惡意樣本分類準(zhǔn)確率。本文方法更具有一般性、可還原性。圖52幅,表34個(gè),參考文獻(xiàn)154篇。
丁秀雄[8]（2020）在《云服務(wù)事件異常檢測(cè)與分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)》文中進(jìn)行了進(jìn)一步梳理隨著云計(jì)算技術(shù)的飛速發(fā)展以及企業(yè)、用戶對(duì)云資源需求的不斷增加,云服務(wù)平臺(tái)的集群規(guī)模和服務(wù)復(fù)雜性不斷擴(kuò)大,這給云服務(wù)平臺(tái)的異常診斷帶來了挑戰(zhàn)。在云服務(wù)平臺(tái)中,用戶執(zhí)行一系列事件從而完成對(duì)云服務(wù)資源的使用,當(dāng)執(zhí)行的事件出現(xiàn)異常,查看事件執(zhí)行日志是運(yùn)維人員最常用的異常檢測(cè)方法。但在復(fù)雜的云服務(wù)平臺(tái)中,一個(gè)事件的執(zhí)行往往涉及多個(gè)分布式服務(wù),事件的執(zhí)行日志也分布在不同節(jié)點(diǎn)、不同服務(wù)的日志文件中,這使得運(yùn)維人員很難通過人工檢查日志快速準(zhǔn)確地診斷異常。為了提升云服務(wù)平臺(tái)中事件異常的診斷效率,需要一套完善的事件異常檢測(cè)與分析系統(tǒng)幫助運(yùn)維人員進(jìn)行異常診斷。針對(duì)云服務(wù)平臺(tái)中事件異常的診斷,本文設(shè)計(jì)和實(shí)現(xiàn)了一套云服務(wù)事件異常檢測(cè)與分析系統(tǒng)。根據(jù)云服務(wù)平臺(tái)事件異常檢測(cè)與分析的需求,本文提出了系統(tǒng)所具備的功能,將其劃分為日志收集與處理子系統(tǒng)和日志分析子系統(tǒng),并分別對(duì)這兩個(gè)子系統(tǒng)進(jìn)行架構(gòu)設(shè)計(jì)、模塊劃分以及模塊實(shí)現(xiàn)。在事件異常的診斷過程中,日志收集與處理子系統(tǒng)為用戶提供了靈活的收集日志配置項(xiàng),用戶可通過該配置項(xiàng)對(duì)云平臺(tái)中事件日志進(jìn)行自定義的初步篩選,系統(tǒng)會(huì)從初步篩選的日志中提取出事件的唯一標(biāo)識(shí),根據(jù)該標(biāo)識(shí)和異常情況關(guān)鍵詞篩選出事件異常相關(guān)的日志并對(duì)日志進(jìn)行清洗和存儲(chǔ)。日志分析子系統(tǒng)則為事件異常的分析提供了事件類別、事件異常環(huán)節(jié)和異常類型三個(gè)方面的分析。其中,系統(tǒng)使用滑動(dòng)窗口方法對(duì)收集的日志進(jìn)行編排,將日志輸入一維卷積網(wǎng)絡(luò)和雙向GRU網(wǎng)絡(luò)結(jié)合的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行事件分類。然后,系統(tǒng)將日志輸入相應(yīng)事件類別的事件流程自動(dòng)機(jī)判斷事件異常環(huán)節(jié)。最后,系統(tǒng)將日志和事先建立的異常模板知識(shí)庫(kù)進(jìn)行匹配,分析出事件異常的類型。本文在介紹完云服務(wù)事件異常檢測(cè)與分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)之后,分別對(duì)兩個(gè)子系統(tǒng)進(jìn)行了功能測(cè)試以及性能測(cè)試,保證系統(tǒng)符合預(yù)期的設(shè)計(jì)與功能需求。測(cè)試結(jié)果表明,系統(tǒng)在云服務(wù)事件異常檢測(cè)與分析中有較好效果。
肖飛[9]（2020）在《基于行為分析的惡意軟件檢測(cè)方法研究》文中研究說明惡意軟件具有傳播迅速、種類繁多、變種復(fù)雜和破壞性強(qiáng)等特點(diǎn),是當(dāng)今網(wǎng)絡(luò)安全的主要威脅之一。惡意軟件變種數(shù)量的增加和逃避技術(shù)的不斷升級(jí)導(dǎo)致惡意軟件檢測(cè)仍是一項(xiàng)艱巨而具有挑戰(zhàn)性的任務(wù)。惡意軟件檢測(cè)主要面臨以下三方面的挑戰(zhàn):第一,傳統(tǒng)的機(jī)器學(xué)習(xí)方法提取惡意軟件本質(zhì)特征困難;第二,復(fù)雜的惡意軟件行為難以進(jìn)行簡(jiǎn)單、有效的表示;第三,惡意軟件變種可以逃逸惡意軟件檢測(cè)?；谛袨榈膼阂廛浖z測(cè)方法通過追蹤惡意軟件執(zhí)行的行為軌跡來捕獲程序的惡意活動(dòng)。本文對(duì)基于行為分析的惡意軟件檢測(cè)過程中存在的挑戰(zhàn)展開了分析研究并取得了如下創(chuàng)新性成果。1.針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)方法提取惡意軟件本質(zhì)特征困難的挑戰(zhàn),本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于行為的深度學(xué)習(xí)模型（Behavior-based Deep Learning Model,BDLM）。在提出的 BDLM 中,設(shè)計(jì) 了包含 3個(gè)隱藏層,通過逐層訓(xùn)練提取特征的高級(jí)抽象特征表示棧式自編碼（Stacked AutoEncoder,SAE）。SAE將高維原始特征轉(zhuǎn)換為500個(gè)新的低維抽象特征表示。此外,BDLM利用SAE結(jié)合不同的分類器來進(jìn)行惡意軟件檢測(cè)并探索了最優(yōu)的惡意軟件檢測(cè)模型。實(shí)驗(yàn)結(jié)果表明,相比于傳統(tǒng)方法,基于SAE和DT的BDLM的平均檢出率提高了 2.5%。2.針對(duì)復(fù)雜的惡意軟件行為難以進(jìn)行簡(jiǎn)單、有效的表示的挑戰(zhàn),本文提出了一種圖重劃分算法。提出的圖重劃分算法可以將API調(diào)用圖轉(zhuǎn)換為N階子圖（N-order subgraph,NSG）表示。NSG是一種保留了調(diào)用圖中的依賴性的片段行為,可以用來描述惡意軟件家族的行為。片段行為的有效表示,避免了惡意軟件檢測(cè)過程中存在的圖匹配問題。論文還改進(jìn)了詞頻-逆文本頻率指數(shù)（Term Frequency-Inverse Document Frequency,TF-IDF）。論文利用改進(jìn)的TF-IDF來提取關(guān)鍵N階子圖（Crucial N-order subgraph,CNSG）。實(shí)驗(yàn)表明,基于關(guān)鍵N階子圖的惡意軟件家族分類準(zhǔn)確率比基于子圖和API調(diào)用序列片段的方法提高了 0.52%和1.43%?；陉P(guān)鍵N階子圖的方法提供了更好的惡意軟件分類性能。3.針對(duì)惡意軟件變種可以逃逸惡意軟件檢測(cè)的挑戰(zhàn),本文將同態(tài)加密技術(shù)引入惡意軟件檢測(cè)領(lǐng)域,設(shè)計(jì)了一個(gè)基于加密規(guī)則的惡意軟件檢測(cè)系統(tǒng)（Encryption-Based Malware Detection System,EMDS）。EMDS利用同態(tài)加密技術(shù)構(gòu)建了一個(gè)基于隱私保護(hù)的樸素貝葉斯分類器（Privacy-preserving Naive Bayes Classifier,PP-NBC）。PP-NBC通過對(duì)檢測(cè)規(guī)則的加密保護(hù),防止惡意軟件窺探檢測(cè)規(guī)則并生成新的變種,從而逃逸當(dāng)前的檢測(cè)。EMDS可以在完成惡意軟件檢測(cè)的同時(shí)保證惡意軟件檢測(cè)規(guī)則不被泄露,是抵抗惡意軟件逃逸的重要環(huán)節(jié),同時(shí)也是惡意軟件檢測(cè)走向安全檢測(cè)的有效手段?；谝陨先筇魬?zhàn),本文設(shè)計(jì)并完成了基于深度學(xué)習(xí)的惡意軟件檢測(cè)研究、基于關(guān)鍵N階子圖的惡意軟件分類研究和基于加密規(guī)則的惡意軟件檢測(cè)研究?；谏疃葘W(xué)習(xí)的惡意軟件檢測(cè)研究和基于關(guān)鍵N階子圖的惡意軟件分類研究通過提取惡意軟件關(guān)鍵行為,提高了惡意軟件檢測(cè)準(zhǔn)確率?；诩用芤?guī)則的惡意軟件檢測(cè)研究在實(shí)現(xiàn)惡意軟件檢測(cè)的基礎(chǔ)上保護(hù)了惡意軟件檢測(cè)規(guī)則。
汪沄[10]（2020）在《基于API重定向技術(shù)的遠(yuǎn)程GPU資源池》文中進(jìn)行了進(jìn)一步梳理隨著科技的發(fā)展,越來越多的計(jì)算機(jī)程序利用了GPU的高度并行性與浮點(diǎn)運(yùn)算能力強(qiáng)的兩個(gè)特性,其中包括傳統(tǒng)的圖像渲染、視頻編解碼、也包含了新興的領(lǐng)域比如數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)。個(gè)人電腦與商用服務(wù)器已經(jīng)無法滿足日益增長(zhǎng)的計(jì)算要求,越來越多的個(gè)人與企業(yè)選擇將程序部署在云上,而且GPU加速也成為了不少云廠商的一大賣點(diǎn)。許多廠商都在自己的數(shù)據(jù)中心里,給服務(wù)器配備了GPU設(shè)備,并提供了相應(yīng)的GPU云服務(wù),給其成百上千的云租戶提供高性能的GPU加速。但是由于商業(yè)成本與能耗限制,在數(shù)據(jù)中心給每個(gè)節(jié)點(diǎn)都提供GPU設(shè)備可行性較低。為了解決這樣的問題,GPU虛擬化技術(shù)應(yīng)運(yùn)而生。與成熟的CPU虛擬化技術(shù)不同,GPU虛擬化一直是虛擬化技術(shù)中的研究難點(diǎn)。由于GPU設(shè)備的特殊性,傳統(tǒng)的IO設(shè)備虛擬化的方式無法使用在GPU設(shè)備上。目前,大多數(shù)云廠商都通過設(shè)備直通（Pass-Through）的方式,將GPU設(shè)備提供給租戶。這樣以單塊GPU為粒度的GPU虛擬化方案,一方面會(huì)導(dǎo)致GPU設(shè)備利用率不高,可擴(kuò)展性較低。另一方面由于直接將設(shè)備暴露給客戶機(jī),虛擬機(jī)監(jiān)視器無法對(duì)GPU設(shè)備進(jìn)行設(shè)備監(jiān)視。所以,如何有效地提高GPU設(shè)備利用率,保持對(duì)GPU設(shè)備的性能管理是一個(gè)非常困難的挑戰(zhàn)。針對(duì)GPU設(shè)備的編程模型的特性與現(xiàn)有的GPU虛擬化技術(shù)的解決方案,本文提出了g Pooling,一種基于API重定向技術(shù)的可擴(kuò)展的遠(yuǎn)程共享的GPU資源池。通過利用GPU編程的接口特性,g Pooling打破了不同廠商的設(shè)備壁壘,實(shí)現(xiàn)了一套設(shè)備獨(dú)立的,對(duì)應(yīng)用程序透明的GPU遠(yuǎn)程共享資源池。我們工作的主要?jiǎng)?chuàng)新點(diǎn)在于以下三點(diǎn):·設(shè)計(jì)了一套基于API重定向技術(shù),硬件獨(dú)立、應(yīng)用程序透明的遠(yuǎn)程共享GPU資源池的方案g Pooling?？梢詫F(xiàn)有的GPU集群資源聚合利用,可為不同設(shè)備提供渲染加速。集群內(nèi)的單臺(tái)GPU設(shè)備可以虛擬為多臺(tái)v GPU設(shè)備,為多個(gè)客戶機(jī)提供不同的加速能力。具有靈活性大、隔離性強(qiáng)、可擴(kuò)展性高的特點(diǎn)。·針對(duì)g Pooling框架數(shù)據(jù)傳輸中數(shù)據(jù)量大的特點(diǎn),分析網(wǎng)絡(luò)傳輸過程中的數(shù)據(jù)使用開銷。g Pooling設(shè)計(jì)并實(shí)現(xiàn)了一套包括指令流壓縮與畫面渲染編碼的傳輸框架,有效降低了網(wǎng)絡(luò)帶寬,提高了g Pooling的可擴(kuò)展性?！め槍?duì)GPU集群資源使用的負(fù)載均衡問題,提出了一套多層反饋式的調(diào)度方法。對(duì)于集群內(nèi)的不同層級(jí)掌握資源情況不同的問題,多層反饋調(diào)度算法利用集群層面與設(shè)備層面的信息交互反饋,合理地進(jìn)行任務(wù)分發(fā)。通過將不同類型的GPU程序分發(fā)到特定的服務(wù)器上,有效利用了GPU應(yīng)用程序的特點(diǎn),合理地利用了集群內(nèi)設(shè)備的不同資源,提高了設(shè)備的利用率,并保持了GPU高并行性。通過實(shí)驗(yàn),驗(yàn)證了g Pooling可以給多達(dá)40臺(tái)客戶機(jī)提供GPU加速功能。與AWS公司的Elastic GPU方案相比,由于g Pooling采用了應(yīng)用程序粒度的隔離方案,在多路運(yùn)行時(shí)有效避免了應(yīng)用程序之間資源競(jìng)爭(zhēng),達(dá)到了更高的拓展性。此外,實(shí)驗(yàn)表明g Pooling的指令流壓縮與畫面渲染編碼能有效地降低了帶寬資源的使用。實(shí)驗(yàn)證明多層反饋的調(diào)度算法,避免了同類程序?qū)ο嗤Y源的競(jìng)爭(zhēng),達(dá)到了資源負(fù)載均衡的目的。
二、基于API的特殊窗口操作研究（論文開題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁(yè)面大小,采用多級(jí)分層頁(yè)表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁(yè)表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過主支變革、控制研究對(duì)象來發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過調(diào)查文獻(xiàn)來獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過創(chuàng)設(shè)一個(gè)與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、基于API的特殊窗口操作研究（論文提綱范文）
（1）安卓應(yīng)用行為刻畫方法及關(guān)鍵技術(shù)研究（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 縮略語(yǔ)對(duì)照表 |
| 1 緒論 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.2.1 安卓系統(tǒng)框架 |
| 1.2.2 安卓系統(tǒng)的安全機(jī)制 |
| 1.2.3 安卓應(yīng)用簡(jiǎn)介 |
| 1.2.4 安卓應(yīng)用分發(fā)和傳播平臺(tái) |
| 1.2.5 安卓惡意應(yīng)用 |
| 1.3 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3.1 安卓應(yīng)用行為刻畫及惡意應(yīng)用檢測(cè)通用方法研究 |
| 1.3.2 安卓惡意應(yīng)用家族分類研究 |
| 1.3.3 安卓勒索軟件檢測(cè)方法研究 |
| 1.3.4 安卓應(yīng)用質(zhì)量評(píng)估及分類方法研究 |
| 1.3.5 當(dāng)前研究的不足 |
| 1.4 研究?jī)?nèi)容 |
| 1.4.1 基于應(yīng)用關(guān)系圖社區(qū)發(fā)現(xiàn)的惡意應(yīng)用家族分類方法 |
| 1.4.2 基于典型行為特征的安卓鎖屏勒索軟件檢測(cè)方法 |
| 1.4.3 基于界面跳轉(zhuǎn)屬性圖的安卓應(yīng)用質(zhì)量評(píng)估方法 |
| 1.5 論文結(jié)構(gòu) |
| 2 基于應(yīng)用關(guān)系圖社區(qū)發(fā)現(xiàn)的惡意應(yīng)用家族分類方法 |
| 2.1 引言 |
| 2.1.1 問題描述 |
| 2.1.2 本章貢獻(xiàn) |
| 2.2 相關(guān)背景知識(shí) |
| 2.2.1 反編譯過程 |
| 2.2.2 Smali文件結(jié)構(gòu) |
| 2.2.3 權(quán)限-API映射 |
| 2.2.4 無向圖的構(gòu)建方法 |
| 2.3 惡意應(yīng)用家族行為特征 |
| 2.3.1 行為特征刻畫 |
| 2.3.2 行為特征描述方式 |
| 2.4 基于文檔頻率法的應(yīng)用相似度計(jì)算方法 |
| 2.5 E-N算法構(gòu)建惡意應(yīng)用關(guān)系圖 |
| 2.6 應(yīng)用關(guān)系圖社區(qū)劃分方法 |
| 2.7 實(shí)驗(yàn)結(jié)果及分析 |
| 2.7.1 實(shí)驗(yàn)數(shù)據(jù)及環(huán)境 |
| 2.7.2 評(píng)價(jià)指標(biāo) |
| 2.7.3 惡意應(yīng)用家族分類結(jié)果分析 |
| 2.7.4 相關(guān)工作對(duì)比 |
| 2.7.5 方法討論 |
| 2.8 本章總結(jié) |
| 3 基于典型行為特征的安卓鎖屏勒索軟件檢測(cè)方法 |
| 3.1 引言 |
| 3.1.1 問題描述 |
| 3.1.2 本章貢獻(xiàn) |
| 3.2 相關(guān)背景知識(shí) |
| 3.2.1 勒索軟件發(fā)展歷程 |
| 3.2.2 惡意應(yīng)用分類模型 |
| 3.3 國(guó)內(nèi)的安卓鎖屏勒索軟件模式分析 |
| 3.3.1 鎖屏勒索軟件通用傳播策略 |
| 3.3.2 典型密碼類型及解鎖方式 |
| 3.4 鎖屏勒索軟件典型惡意行為分析及刻畫 |
| 3.4.1 鎖屏勒索軟件行為表現(xiàn)形式 |
| 3.4.2 鎖屏勒索軟件行為特點(diǎn)分析 |
| 3.4.3 鎖屏勒索軟件行為特征刻畫 |
| 3.5 鎖屏勒索軟件檢測(cè)方法 |
| 3.6 實(shí)驗(yàn)結(jié)果及分析 |
| 3.6.1 實(shí)驗(yàn)數(shù)據(jù)及環(huán)境 |
| 3.6.2 評(píng)價(jià)指標(biāo) |
| 3.6.3 鎖屏勒索軟件檢測(cè)結(jié)果 |
| 3.6.4 時(shí)間花銷 |
| 3.6.5 鎖屏勒索軟件與正常應(yīng)用的特征對(duì)比 |
| 3.6.6 相關(guān)工作對(duì)比 |
| 3.6.7 方法討論 |
| 3.7 鎖屏勒索軟件治理進(jìn)展 |
| 3.8 本章總結(jié) |
| 4 基于界面跳轉(zhuǎn)屬性圖的安卓應(yīng)用質(zhì)量評(píng)估方法 |
| 4.1 引言 |
| 4.1.1 問題描述 |
| 4.1.2 本章貢獻(xiàn) |
| 4.2 應(yīng)用質(zhì)量評(píng)估特征 |
| 4.2.1 特征選取依據(jù)分析 |
| 4.2.2 應(yīng)用級(jí)特征刻畫 |
| 4.2.3 界面級(jí)特征刻畫 |
| 4.3 基于界面控件優(yōu)先級(jí)的動(dòng)態(tài)觸發(fā)機(jī)制 |
| 4.4 圖-向量標(biāo)準(zhǔn)化模型及異構(gòu)特征融合方法 |
| 4.4.1 構(gòu)建界面跳轉(zhuǎn)屬性圖 |
| 4.4.2 圖-向量標(biāo)準(zhǔn)化模型 |
| 4.5 應(yīng)用質(zhì)量評(píng)估方法 |
| 4.6 實(shí)驗(yàn)結(jié)果及分析 |
| 4.6.1 數(shù)據(jù)集及實(shí)驗(yàn)環(huán)境 |
| 4.6.2 評(píng)價(jià)指標(biāo) |
| 4.6.3 質(zhì)量標(biāo)簽劃定 |
| 4.6.4 應(yīng)用質(zhì)量評(píng)估結(jié)果分析 |
| 4.6.5 不同質(zhì)量應(yīng)用的特征差異 |
| 4.6.6 時(shí)間花銷 |
| 4.6.7 相關(guān)工作對(duì)比 |
| 4.6.8 方法討論 |
| 4.7 本章總結(jié) |
| 5 總結(jié)與展望 |
| 5.1 論文的主要貢獻(xiàn) |
| 5.2 下一步研究方向 |
| 5.3 未來展望 |
| 參考文獻(xiàn) |
| 作者攻讀博士學(xué)位期間取得的研究成果 |
| 學(xué)位論文數(shù)據(jù)集 |
（2）基于Revit的筏形基礎(chǔ)參數(shù)化設(shè)計(jì)的研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景 |
| 1.2 BIM技術(shù)的研究現(xiàn)狀 |
| 1.2.1 BIM在國(guó)外研究現(xiàn)狀 |
| 1.2.2 BIM在國(guó)內(nèi)研究現(xiàn)狀 |
| 1.2.3 BIM技術(shù)在基礎(chǔ)工程的研究現(xiàn)狀 |
| 1.3 論文的研究意義、內(nèi)容及架構(gòu) |
| 1.3.1 論文的研究意義 |
| 1.3.2 論文的主要研究?jī)?nèi)容 |
| 1.3.3 論文的架構(gòu) |
| 1.4 本章小結(jié) |
| 2 Revit二次開發(fā)相關(guān)知識(shí) |
| 2.1 BIM和 Revit的關(guān)聯(lián) |
| 2.2 Revit開發(fā)工具 |
| 2.2.1 Revit API概述 |
| 2.2.2 常用的開發(fā)工具 |
| 2.3 Revit二次開發(fā)流程 |
| 2.4 本章小結(jié) |
| 3 基于Revit的筏形基礎(chǔ)模型創(chuàng)建 |
| 3.1 引言 |
| 3.2 筏形基礎(chǔ)簡(jiǎn)介 |
| 3.3 筏形基礎(chǔ)的模型創(chuàng)建 |
| 3.3.1 模型生成插件窗口的界面設(shè)計(jì) |
| 3.3.2 模型生成插件主程序設(shè)計(jì) |
| 3.4 筏形基礎(chǔ)族文件的載入及族文件參數(shù)修改 |
| 3.4.1 筏形基礎(chǔ)族文件的載入 |
| 3.4.2 族文件參數(shù)修改 |
| 3.5 本章小結(jié) |
| 4 基于Revit筏形基礎(chǔ)的計(jì)算校核和配筋插件 |
| 4.1 引言 |
| 4.2 平板式筏形基礎(chǔ)的計(jì)算校核插件 |
| 4.2.1 平板式筏形基礎(chǔ)的計(jì)算校核插件的界面設(shè)計(jì) |
| 4.2.2 平板式筏形基礎(chǔ)的計(jì)算校核插件的主程序設(shè)計(jì) |
| 4.3 梁板式筏形基礎(chǔ)的計(jì)算校核插件 |
| 4.3.1 梁板式筏形基礎(chǔ)的計(jì)算校核插件的界面設(shè)計(jì) |
| 4.3.2 梁板式筏形基礎(chǔ)的計(jì)算校核插件的主程序設(shè)計(jì) |
| 4.4 配筋插件的生成 |
| 4.4.1 基礎(chǔ)底板的配筋思路 |
| 4.4.2 自動(dòng)配筋插件的界面設(shè)計(jì) |
| 4.5 圖紙生成 |
| 4.6 本章小結(jié) |
| 5 應(yīng)用實(shí)例——濰坊某辦公樓筏形基礎(chǔ)設(shè)計(jì) |
| 5.1 設(shè)計(jì)資料 |
| 5.2 模型參數(shù)輸入 |
| 5.3 計(jì)算校核和配筋 |
| 6 結(jié)論與展望 |
| 6.1 研究結(jié)論 |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
（3）自動(dòng)化測(cè)試中GUI目標(biāo)的模式識(shí)別方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 傳統(tǒng)GUI自動(dòng)化測(cè)試工具的控件識(shí)別方法 |
| 1.2.2 圖像識(shí)別技術(shù)在GUI目標(biāo)識(shí)別方面的研究應(yīng)用 |
| 1.3 研究目標(biāo)及內(nèi)容 |
| 1.4 論文組織結(jié)構(gòu) |
| 第2章 基于圖像模式識(shí)別的GUI目標(biāo)識(shí)別技術(shù) |
| 2.1 GUI目標(biāo)識(shí)別方法 |
| 2.1.1 基于API的控件識(shí)別方法及工具 |
| 2.1.2 基于圖像識(shí)別的GUI目標(biāo)識(shí)別方法及工具 |
| 2.2 圖像處理 |
| 2.2.1 圖像灰度化 |
| 2.2.2 圖像二值化 |
| 2.3 模板匹配 |
| 2.3.1 模板匹配介紹 |
| 2.3.2 典型的模板匹配算法 |
| 2.3.3 模板匹配在GUI目標(biāo)識(shí)別中的優(yōu)缺點(diǎn) |
| 2.4 OpenCV |
| 2.4.1 OpenCV介紹 |
| 2.4.2 OpenCV中的模板匹配方法 |
| 2.5 本章小結(jié) |
| 第3章 新型快速模板匹配方法 |
| 3.1 快速模板匹配方法 |
| 3.2 圖像處理 |
| 3.2.1 灰度化算法 |
| 3.2.2 二值化算法 |
| 3.3 相似度計(jì)算 |
| 3.3.1 積分圖像 |
| 3.3.2 互相關(guān)系數(shù) |
| 3.3.3 相關(guān)性系數(shù) |
| 3.3.4 歸一化 |
| 3.4 本章小結(jié) |
| 第4章 基于圖像模式識(shí)別的GUI目標(biāo)快速識(shí)別工具 |
| 4.1 總體設(shè)計(jì) |
| 4.2 匹配圖自動(dòng)抓取 |
| 4.2.1 匹配圖獲取方法 |
| 4.2.2 窗口位圖自動(dòng)抓取 |
| 4.3 模板圖自動(dòng)拉伸 |
| 4.4 樣式庫(kù)功能 |
| 4.4.1 樣式庫(kù)結(jié)構(gòu)設(shè)計(jì) |
| 4.4.2 存儲(chǔ)功能 |
| 4.5 本章小結(jié) |
| 第5章 實(shí)驗(yàn)與分析 |
| 5.1 實(shí)驗(yàn)環(huán)境 |
| 5.2 識(shí)別準(zhǔn)確率驗(yàn)證 |
| 5.3 識(shí)別速度驗(yàn)證 |
| 5.3.1 單次識(shí)別速度 |
| 5.3.2 同界面中連續(xù)識(shí)別速度 |
| 5.3.3 同GUI目標(biāo)多次識(shí)別速度 |
| 5.4 與其他識(shí)別方法的比較分析 |
| 5.5 實(shí)驗(yàn)總結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 致謝 |
（4）智能相機(jī)后臺(tái)管理軟件設(shè)計(jì)與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| abstract |
| 專用術(shù)語(yǔ)注釋表 |
| 第一章 緒論 |
| 1.1 課題的研究背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 智能相機(jī)協(xié)議概述 |
| 1.3.1 智能相機(jī)通信協(xié)議 |
| 1.3.2 Gen ICam標(biāo)準(zhǔn) |
| 1.4 論文內(nèi)容安排 |
| 第二章 系統(tǒng)平臺(tái)介紹與軟件總體設(shè)計(jì) |
| 2.1 智能相機(jī)平臺(tái)與軟件開發(fā)環(huán)境 |
| 2.1.1 智能相機(jī)平臺(tái) |
| 2.1.2 軟件開發(fā)環(huán)境 |
| 2.2 需求分析 |
| 2.3 軟件GUI交互界面的布局 |
| 2.3.1 界面布局 |
| 2.3.2 圖像操作 |
| 2.4 數(shù)據(jù)通信與相機(jī)參數(shù)配置 |
| 2.4.1 數(shù)據(jù)通信功能設(shè)計(jì) |
| 2.4.2 參數(shù)配置功能設(shè)計(jì) |
| 2.5 本章小結(jié) |
| 第三章 基于Gig E Vision協(xié)議實(shí)現(xiàn)數(shù)據(jù)通信 |
| 3.1 Gig E Vision協(xié)議分析 |
| 3.2 GVCP控制協(xié)議分析與實(shí)現(xiàn) |
| 3.2.1 GVCP協(xié)議分析 |
| 3.2.2 GVCP控制通道的實(shí)現(xiàn) |
| 3.2.3 可連接相機(jī)枚舉 |
| 3.3 GVSP數(shù)據(jù)流協(xié)議分析與實(shí)現(xiàn) |
| 3.3.1 GVSP協(xié)議分析 |
| 3.3.2 實(shí)現(xiàn)流通道數(shù)據(jù)快速接收 |
| 3.3.3 流通道丟包重傳機(jī)制的實(shí)現(xiàn) |
| 3.3.4 定時(shí)器的實(shí)現(xiàn)與使用 |
| 3.4 實(shí)現(xiàn)Gig E Vision協(xié)議通信模塊封裝 |
| 3.4.1 通信模塊DLL的創(chuàng)建 |
| 3.4.2 通信模塊API的使用 |
| 3.5 本章小結(jié) |
| 第四章 基于Gen Api相機(jī)參數(shù)配置 |
| 4.1 Gen Api模塊簡(jiǎn)介 |
| 4.2 Tiny XML2 函數(shù)庫(kù)概述 |
| 4.3 XML設(shè)備描述文件的設(shè)計(jì)與生成 |
| 4.3.1 設(shè)備描述文件結(jié)構(gòu)規(guī)劃 |
| 4.3.2 設(shè)備描述文件的參數(shù)設(shè)計(jì) |
| 4.3.3 Gen Api節(jié)點(diǎn)解析 |
| 4.3.4 生成XML設(shè)備描述文件 |
| 4.4 實(shí)現(xiàn)設(shè)備描述文件的傳輸 |
| 4.5 解析設(shè)備描述文件配置相機(jī)參數(shù) |
| 4.6 本章小結(jié) |
| 第五章 功能測(cè)試與性能分析 |
| 5.1 搭建測(cè)試環(huán)境 |
| 5.2 基于Gig E Vision協(xié)議的通信功能測(cè)試 |
| 5.2.1 通信連接的建立 |
| 5.2.2 流通道數(shù)據(jù)傳輸 |
| 5.2.3 DLL的加載與使用 |
| 5.3 基于Gen Api的參數(shù)配置測(cè)試 |
| 5.3.1 XML設(shè)備描述文件傳輸 |
| 5.3.2 功能參數(shù)配置 |
| 5.4 性能分析 |
| 5.4.1 CPU使用率 |
| 5.4.2 丟包處理能力 |
| 5.4.3 數(shù)據(jù)傳輸能力 |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 附錄1 攻讀碩士學(xué)位期間撰寫的論文 |
| 附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目 |
| 致謝 |
（5）基于Tesseract＿OCR文字識(shí)別系統(tǒng)的研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 本文內(nèi)容與組織結(jié)構(gòu) |
| 1.3.1 本文內(nèi)容 |
| 1.3.2 本文組織結(jié)構(gòu) |
| 第二章 圖像預(yù)處理研究 |
| 2.1 引言 |
| 2.2 OpenCV庫(kù) |
| 2.3 圖像灰度化與二值化 |
| 2.3.1 圖像灰度化 |
| 2.3.2 圖像二值化 |
| 2.4 圖像去噪 |
| 2.4.1 均值濾波 |
| 2.4.2 統(tǒng)計(jì)排序?yàn)V波 |
| 2.4.3 高斯濾波 |
| 2.5 傾斜校正 |
| 2.5.1 投影法 |
| 2.5.2 K最近鄰法 |
| 2.5.3 霍夫變換 |
| 2.6 圖像增強(qiáng) |
| 2.7 字符分割 |
| 2.7.1 垂直投影 |
| 2.7.2 區(qū)域分割 |
| 2.8 本章小結(jié) |
| 第三章 Tesseract_OCR字符訓(xùn)練研究 |
| 3.1 引言 |
| 3.2 jTessBoxEditor |
| 3.3 Tesseract |
| 3.4 Tesseract-OCR字符訓(xùn)練 |
| 3.4.1 訓(xùn)練準(zhǔn)備 |
| 3.4.2 訓(xùn)練流程 |
| 3.4.3 訓(xùn)練優(yōu)化 |
| 3.5 本章小結(jié) |
| 第四章 Tesseract_OCR字符識(shí)別研究 |
| 4.1 引言 |
| 4.2 Tesseract-OCR識(shí)別原理 |
| 4.2.1 布局分析 |
| 4.2.2 字符分割識(shí)別 |
| 4.3 Tesseract-OCR識(shí)別原理的另一種分析法 |
| 4.3.1 連通區(qū)域分析 |
| 4.3.2 文本行區(qū)域查找 |
| 4.3.3 基線擬合 |
| 4.3.4 識(shí)別得到文本 |
| 4.4 Tesseract-OCR識(shí)別優(yōu)化 |
| 4.5 本章小結(jié) |
| 第五章 文字識(shí)別可視化工具開發(fā) |
| 5.1 MFC |
| 5.1.1 MFC功能 |
| 5.1.2 功能設(shè)計(jì) |
| 5.1.3 主界面設(shè)計(jì) |
| 5.2 具體設(shè)計(jì)細(xì)節(jié) |
| 5.2.1 圖像讀入顯示 |
| 5.2.2 圖像預(yù)處理 |
| 5.2.3 字符識(shí)別 |
| 5.3 可視化工具測(cè)試 |
| 5.3.1 軟件測(cè)試 |
| 5.3.2 系統(tǒng)界面測(cè)試 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 論文工作總結(jié) |
| 6.2 問題與展望 |
| 參考文獻(xiàn) |
| 附錄1 攻讀碩士學(xué)位期間撰寫的論文 |
| 致謝 |
（6）基于界面特征的iOS仿冒應(yīng)用檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 論文研究?jī)?nèi)容 |
| 1.4 論文組織結(jié)構(gòu) |
| 第二章 相關(guān)理論和技術(shù) |
| 2.1 iOS應(yīng)用程序結(jié)構(gòu)及設(shè)計(jì)模式 |
| 2.2 iOS系統(tǒng)Runtime機(jī)制 |
| 2.3 iOS平臺(tái)自動(dòng)化測(cè)試技術(shù) |
| 2.4 iOS系統(tǒng)安全機(jī)制 |
| 2.5 iOS應(yīng)用破解技術(shù) |
| 2.6 本章小結(jié) |
| 第三章 基于視圖布局的iOS界面相似度檢測(cè)方案的設(shè)計(jì)與實(shí)現(xiàn) |
| 3.1 界面相似度檢測(cè)方案總體設(shè)計(jì) |
| 3.2 現(xiàn)有的視圖布局相似度檢測(cè)方法 |
| 3.3 視圖布局提取模塊的實(shí)現(xiàn) |
| 3.3.1 iOS應(yīng)用視圖布局分析 |
| 3.3.2 基于Runtime機(jī)制的iOS Hook技術(shù) |
| 3.3.3 iOS應(yīng)用視圖布局提取方法 |
| 3.3.4 界面特征提取技術(shù)的實(shí)現(xiàn) |
| 3.4 界面相似度檢測(cè)模塊的實(shí)現(xiàn) |
| 3.5 本章小結(jié) |
| 第四章 基于界面特征的仿冒應(yīng)用檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) |
| 4.1 仿冒應(yīng)用檢測(cè)系統(tǒng)架構(gòu)設(shè)計(jì) |
| 4.2 應(yīng)用自動(dòng)化遍歷模塊的實(shí)現(xiàn) |
| 4.2.1 現(xiàn)有的移動(dòng)應(yīng)用自動(dòng)化遍歷技術(shù) |
| 4.2.2 模擬交互驅(qū)動(dòng)頁(yè)面跳轉(zhuǎn) |
| 4.2.3 基于系統(tǒng)API調(diào)用的遍歷路徑控制 |
| 4.2.4 異常事件處理 |
| 4.3 仿冒應(yīng)用判定模塊的實(shí)現(xiàn) |
| 4.3.1 基于應(yīng)用名稱相似度的疑似仿冒應(yīng)用對(duì)篩選 |
| 4.3.2 基于二分圖最大匹配的Hungary算法 |
| 4.3.3 基于Hungary算法的相似頁(yè)面匹配 |
| 4.4 本章小結(jié) |
| 第五章 基于界面特征的仿冒應(yīng)用檢測(cè)系統(tǒng)效果評(píng)測(cè) |
| 5.1 實(shí)驗(yàn)環(huán)境以及數(shù)據(jù)集 |
| 5.2 應(yīng)用自動(dòng)化遍歷模塊可用性實(shí)驗(yàn) |
| 5.2.1 應(yīng)用自動(dòng)化遍歷時(shí)間閾值的確定 |
| 5.2.2 同類型遍歷工具的效率對(duì)比 |
| 5.3 仿冒應(yīng)用檢測(cè)效果分析 |
| 5.3.1 可用性驗(yàn)證實(shí)驗(yàn) |
| 5.3.2 批量應(yīng)用檢測(cè)實(shí)驗(yàn) |
| 5.4 仿冒應(yīng)用來源分析 |
| 5.4.1 來自越獄商店的破解版應(yīng)用 |
| 5.4.2 基于重簽名技術(shù)制作的仿冒應(yīng)用 |
| 5.4.3 重復(fù)上架的雷同應(yīng)用 |
| 5.4.4 采用UI克隆的山寨應(yīng)用 |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 工作總結(jié) |
| 6.2 工作與展望 |
| 參考文獻(xiàn) |
| 致謝 |
（7）基于機(jī)器學(xué)習(xí)的惡意代碼特征提取與分類的研究（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 惡意代碼種類 |
| 1.2 惡意代碼的檢測(cè)技術(shù) |
| 1.2.1 靜態(tài)分析技術(shù) |
| 1.2.2 動(dòng)態(tài)分析技術(shù) |
| 1.3 課題研究背景與意義 |
| 1.4 主要研究?jī)?nèi)容 |
| 1.5 論文組織 |
| 2 基于多層學(xué)習(xí)BOVW模型的惡意代碼分類 |
| 2.1 引言 |
| 2.2 背景知識(shí) |
| 2.3 多層學(xué)習(xí)BOVW模型的構(gòu)建 |
| 2.4 實(shí)驗(yàn)與評(píng)價(jià) |
| 2.4.1 Maling A數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果比較 |
| 2.4.2 Maling B數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果比較 |
| 2.4.3 混淆性分析 |
| 2.4.4 與其他研究方法的比較 |
| 2.4.5 CNCERT數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果比較 |
| 2.4.6 實(shí)驗(yàn)參數(shù)討論 |
| 2.5 本章小結(jié) |
| 3 多特征融合的惡意代碼變體檢測(cè) |
| 3.1 引言 |
| 3.2 LBP方法的改進(jìn) |
| 3.2.1 本文改進(jìn)的LBP方法 |
| 3.2.2 他人改進(jìn)的LBP方法 |
| 3.3 全局特征與局部特征相融合 |
| 3.4 算法設(shè)計(jì) |
| 3.5 實(shí)驗(yàn)與評(píng)價(jià) |
| 3.5.1 融合特征性能分析 |
| 3.5.2 在CNCERT數(shù)據(jù)集上的性能對(duì)比 |
| 3.5.3 深度學(xué)習(xí)在惡意代碼可視化方面的應(yīng)用 |
| 3.6 本章小結(jié) |
| 4 基于simhash可視特征的惡意代碼分類 |
| 4.1 引言 |
| 4.2 背景知識(shí) |
| 4.2.1 基于函數(shù)塊的相似性判斷 |
| 4.2.2 simhash實(shí)現(xiàn)原理 |
| 4.3 有效信息密度增強(qiáng)的特征提取方法概述 |
| 4.3.1 “.text”代碼節(jié)函數(shù)分塊特征提取 |
| 4.3.2 從simhash到灰度圖像的映射 |
| 4.4 實(shí)驗(yàn)與評(píng)價(jià) |
| 4.4.1 基于“.text”節(jié)函數(shù)塊的可視化分類結(jié)果分析 |
| 4.4.2 “.text”節(jié)與全文PE文件實(shí)驗(yàn)結(jié)果對(duì)比 |
| 4.4.3 simhash算法的進(jìn)一步討論 |
| 4.5 本章小結(jié) |
| 5 基于LDA模型的惡意代碼檢測(cè) |
| 5.1 引言 |
| 5.2 背景知識(shí) |
| 5.2.1 主題模型 |
| 5.2.2 模型求解 |
| 5.3 LDA在惡意樣本分類中的實(shí)現(xiàn) |
| 5.3.1 匯編指令的預(yù)處理 |
| 5.3.2 基于LDA模型的惡意代碼分類的實(shí)現(xiàn) |
| 5.4 實(shí)驗(yàn)與評(píng)價(jià) |
| 5.4.1 匯編指令標(biāo)準(zhǔn)化粗糙程度對(duì)分類結(jié)果的影響 |
| 5.4.2 LDA主題模型主題數(shù)目的確定 |
| 5.4.3 LDA主題模型的特征描述能力 |
| 5.4.4 與其他研究方法的比較 |
| 5.5 本章小結(jié) |
| 6 基于異質(zhì)信息網(wǎng)絡(luò)的惡意代碼檢測(cè) |
| 6.1 引言 |
| 6.2 背景知識(shí) |
| 6.2.1 元路徑 |
| 6.2.2 元圖 |
| 6.2.3 Metapath2vec |
| 6.2.4 Metagraph2vec |
| 6.3 基于異質(zhì)信息網(wǎng)絡(luò)的惡意代碼檢測(cè) |
| 6.3.1 惡意代碼網(wǎng)絡(luò)模式的定義 |
| 6.3.2 改進(jìn)的Metagraph2vec |
| 6.4 實(shí)驗(yàn)與評(píng)價(jià) |
| 6.4.1 異質(zhì)信息網(wǎng)絡(luò)的構(gòu)建與信息表示 |
| 6.4.2 基于元圖的分類結(jié)果分析 |
| 6.5 本章小結(jié) |
| 7 總結(jié)與展望 |
| 7.1 研究工作總結(jié) |
| 7.2 未來工作展望 |
| 參考文獻(xiàn) |
| 附錄 A 本文使用的數(shù)學(xué)符號(hào) |
| 作者簡(jiǎn)歷及攻讀博士學(xué)位期間取得的研究成果 |
| 學(xué)位論文數(shù)據(jù)集 |
（8）云服務(wù)事件異常檢測(cè)與分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號(hào)對(duì)照表 |
| 縮略語(yǔ)對(duì)照表 |
| 第一章 緒論 |
| 1.1 課題背景及研究意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 云服務(wù)平臺(tái)發(fā)展現(xiàn)狀 |
| 1.2.2 云服務(wù)異常檢測(cè)研究現(xiàn)狀 |
| 1.3 研究?jī)?nèi)容 |
| 1.4 論文組織結(jié)構(gòu) |
| 第二章 系統(tǒng)相關(guān)理論和技術(shù)介紹 |
| 2.1 OpenStack云服務(wù)平臺(tái) |
| 2.1.1 OpenStack云服務(wù)平臺(tái)系統(tǒng)構(gòu)成 |
| 2.1.2 OpenStack計(jì)算服務(wù)組件 |
| 2.1.3 OpenStack日志 |
| 2.2 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)相關(guān)技術(shù) |
| 2.2.1 Keras深度學(xué)習(xí)框架 |
| 2.2.2 詞嵌入 |
| 2.2.3 基于神經(jīng)網(wǎng)絡(luò)的文本分類 |
| 2.3 Spring Boot技術(shù)棧相關(guān)技術(shù) |
| 2.3.1 RESTful API |
| 2.3.2 My Batis數(shù)據(jù)庫(kù)訪問技術(shù) |
| 2.3.3 Rabbit MQ消息分發(fā)技術(shù) |
| 2.4 本章小結(jié) |
| 第三章 系統(tǒng)需求分析與總體設(shè)計(jì) |
| 3.1 云服務(wù)事件異常檢測(cè)與分析系統(tǒng)需求分析 |
| 3.2 云服務(wù)事件異常檢測(cè)與分析系統(tǒng)總體框架設(shè)計(jì) |
| 3.3 日志收集與處理子系統(tǒng)設(shè)計(jì) |
| 3.3.1 日志收集與處理子系統(tǒng)框架設(shè)計(jì)及模塊劃分 |
| 3.3.2 日志收集模塊設(shè)計(jì) |
| 3.3.3 日志處理模塊設(shè)計(jì) |
| 3.4 日志分析子系統(tǒng)設(shè)計(jì) |
| 3.4.1 日志分析子系統(tǒng)框架設(shè)計(jì)及模塊劃分 |
| 3.4.2 神經(jīng)網(wǎng)絡(luò)事件分類模塊設(shè)計(jì) |
| 3.4.3 事件流程匹配模塊設(shè)計(jì) |
| 3.4.4 異常類型匹配模塊設(shè)計(jì) |
| 3.4.5 分析與反饋模塊設(shè)計(jì) |
| 3.5 本章小結(jié) |
| 第四章 系統(tǒng)詳細(xì)設(shè)計(jì)與實(shí)現(xiàn) |
| 4.1 云服務(wù)事件異常檢測(cè)與分析系統(tǒng)整體設(shè)計(jì) |
| 4.2 日志收集與處理子系統(tǒng) |
| 4.2.1 日志收集與處理子系統(tǒng)架構(gòu)設(shè)計(jì) |
| 4.2.2 日志收集模塊實(shí)現(xiàn) |
| 4.2.3 日志處理模塊實(shí)現(xiàn) |
| 4.3 日志分析子系統(tǒng) |
| 4.3.1 日志分析子系統(tǒng)架構(gòu)設(shè)計(jì) |
| 4.3.2 云服務(wù)平臺(tái)典型事件及異常注入 |
| 4.3.3 神經(jīng)網(wǎng)絡(luò)事件分類模塊實(shí)現(xiàn) |
| 4.3.4 事件流程匹配模塊實(shí)現(xiàn) |
| 4.3.5 異常類型匹配模塊實(shí)現(xiàn) |
| 4.3.6 分析與反饋模塊實(shí)現(xiàn) |
| 4.4 本章小結(jié) |
| 第五章 系統(tǒng)測(cè)試及性能評(píng)價(jià) |
| 5.1 測(cè)試環(huán)境 |
| 5.2 系統(tǒng)功能測(cè)試 |
| 5.2.1 日志收集與處理子系統(tǒng)功能測(cè)試 |
| 5.2.2 日志分析子系統(tǒng)功能測(cè)試 |
| 5.3 系統(tǒng)性能測(cè)試 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 全文總結(jié) |
| 6.2 未來展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡(jiǎn)介 |
（9）基于行為分析的惡意軟件檢測(cè)方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景和意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 研究?jī)?nèi)容 |
| 1.3.1 論文主要工作 |
| 1.3.2 論文主要?jiǎng)?chuàng)新點(diǎn) |
| 1.4 論文組織結(jié)構(gòu) |
| 第二章 惡意軟件研究概述 |
| 2.1 惡意軟件相關(guān)理論 |
| 2.1.1 惡意軟件發(fā)展史 |
| 2.1.2 惡意軟件分類 |
| 2.2 惡意軟件生存技術(shù) |
| 2.2.1 加密、加殼技術(shù) |
| 2.2.2 混淆技術(shù) |
| 2.2.3 反虛擬機(jī)技術(shù) |
| 2.3 惡意軟件分析和檢測(cè)技術(shù) |
| 2.3.1 惡意軟件靜態(tài)分析和檢測(cè)技術(shù) |
| 2.3.2 惡意軟件動(dòng)態(tài)分析和檢測(cè)技術(shù) |
| 2.3.3 混合分析 |
| 2.4 惡意行為模型及特征提取方法 |
| 2.4.1 典型的惡意行為 |
| 2.4.2 基于API調(diào)用的行為模型 |
| 2.4.3 信息增益[93],[94] |
| 2.4.4 詞頻-逆文本頻率[95] |
| 2.5 Paillier同態(tài)加密算法[96],[97] |
| 2.6 本章小結(jié) |
| 第三章 基于棧式自編碼的惡意軟件檢測(cè)模型 |
| 3.1 相關(guān)工作 |
| 3.2 棧式自編碼 |
| 3.3 系統(tǒng)模型 |
| 3.4 BDLM模型實(shí)現(xiàn) |
| 3.4.1 行為圖構(gòu)建 |
| 3.4.2 基于SAE的惡意軟件檢測(cè) |
| 3.5 實(shí)驗(yàn)結(jié)果及分析 |
| 3.5.1 數(shù)據(jù)集和評(píng)估方法 |
| 3.5.2 實(shí)驗(yàn)和評(píng)估結(jié)果 |
| 3.6 本章小結(jié) |
| 第四章 基于關(guān)鍵N階子圖的惡意軟件分類模型 |
| 4.1 相關(guān)工作 |
| 4.2 概念介紹 |
| 4.3 系統(tǒng)模型 |
| 4.4 關(guān)鍵N階子圖構(gòu)建 |
| 4.4.1 圖重分配 |
| 4.4.2 特征提取 |
| 4.5 實(shí)驗(yàn)及結(jié)果分析 |
| 4.5.1 數(shù)據(jù)集和評(píng)估方法 |
| 4.5.2 實(shí)驗(yàn)和評(píng)估結(jié)果 |
| 4.6 本章小結(jié) |
| 第五章 基于加密規(guī)則的惡意軟件檢測(cè) |
| 5.1 相關(guān)工作 |
| 5.2 EMDS協(xié)議和模型 |
| 5.2.1 EMDS協(xié)議 |
| 5.2.2 EMDS系統(tǒng)模型 |
| 5.3 EMDS檢測(cè)系統(tǒng) |
| 5.3.1 PP-NBC構(gòu)建模塊 |
| 5.3.2 惡意軟件檢測(cè)模塊 |
| 5.4 實(shí)驗(yàn)結(jié)果及安全性分析 |
| 5.4.1 安全性分析 |
| 5.4.2 實(shí)驗(yàn)設(shè)置 |
| 5.4.3 實(shí)驗(yàn)結(jié)果 |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 附錄 主要縮略語(yǔ)對(duì)照表 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄 |
（10）基于API重定向技術(shù)的遠(yuǎn)程GPU資源池（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 研究?jī)?nèi)容與成果 |
| 1.4 本文結(jié)構(gòu) |
| 第二章 技術(shù)背景 |
| 2.1 虛擬化技術(shù) |
| 2.2 GPU虛擬化技術(shù) |
| 2.3 GPU編程特點(diǎn) |
| 2.4 本章小結(jié) |
| 第三章 系統(tǒng)設(shè)計(jì) |
| 3.1 設(shè)計(jì)目標(biāo) |
| 3.2 gPooling的總體架構(gòu) |
| 3.3 基于API重定向的GPU虛擬化方案 |
| 3.4 指令流壓縮與視頻流編碼 |
| 3.4.1 指令流壓縮 |
| 3.4.2 視頻流編碼 |
| 3.5 多層反饋的GPU集群調(diào)度 |
| 3.5.1 任務(wù)分發(fā) |
| 3.5.2 節(jié)點(diǎn)資源監(jiān)控 |
| 3.5.3 基于多層反饋的調(diào)度算法 |
| 3.6 本章小結(jié) |
| 第四章 系統(tǒng)實(shí)現(xiàn) |
| 4.1 概述 |
| 4.2 Linux圖形子系統(tǒng) |
| 4.3 API重定向模塊 |
| 4.3.1 gPooling Command Proxy |
| 4.3.2 gPooling vGPU Daemon |
| 4.3.3 OpenGL的上下文一致性 |
| 4.4 指令流壓縮與視頻流編碼 |
| 4.4.1 指令流壓縮 |
| 4.4.2 視頻流編碼 |
| 4.5 GPU集群調(diào)度 |
| 4.6 本章小結(jié) |
| 第五章 實(shí)驗(yàn)與分析 |
| 5.1 實(shí)驗(yàn)環(huán)境 |
| 5.2 網(wǎng)絡(luò)帶寬使用情況測(cè)試 |
| 5.2.1 視頻流壓縮 |
| 5.2.2 指令流壓縮 |
| 5.3 隔離性測(cè)試 |
| 5.4 可擴(kuò)展性測(cè)試 |
| 5.5 集群調(diào)度算法測(cè)試 |
| 5.6 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 本文工作總結(jié) |
| 6.2 不足與展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀學(xué)位期間參與的項(xiàng)目 |
| 攻讀學(xué)位期間申請(qǐng)的專利 |
四、基于API的特殊窗口操作研究（論文參考文獻(xiàn)）
- [1]安卓應(yīng)用行為刻畫方法及關(guān)鍵技術(shù)研究[D]. 蘇丹. 北京交通大學(xué), 2021(02)
- [2]基于Revit的筏形基礎(chǔ)參數(shù)化設(shè)計(jì)的研究[D]. 李浩然. 大連理工大學(xué), 2021(01)
- [3]自動(dòng)化測(cè)試中GUI目標(biāo)的模式識(shí)別方法研究[D]. 周子聞. 北華航天工業(yè)學(xué)院, 2021(06)
- [4]智能相機(jī)后臺(tái)管理軟件設(shè)計(jì)與實(shí)現(xiàn)[D]. 呂鵬. 南京郵電大學(xué), 2020(02)
- [5]基于Tesseract＿OCR文字識(shí)別系統(tǒng)的研究[D]. 張婷婷. 南京郵電大學(xué), 2020(03)
- [6]基于界面特征的iOS仿冒應(yīng)用檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 孟慶儒. 北京郵電大學(xué), 2020(04)
- [7]基于機(jī)器學(xué)習(xí)的惡意代碼特征提取與分類的研究[D]. 劉亞姝. 北京交通大學(xué), 2020
- [8]云服務(wù)事件異常檢測(cè)與分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 丁秀雄. 西安電子科技大學(xué), 2020(05)
- [9]基于行為分析的惡意軟件檢測(cè)方法研究[D]. 肖飛. 北京郵電大學(xué), 2020(01)
- [10]基于API重定向技術(shù)的遠(yuǎn)程GPU資源池[D]. 汪沄. 上海交通大學(xué), 2020(01)
標(biāo)簽：軟件界面論文; 軟件質(zhì)量論文; api論文; 軟件論文; 功能分析論文;