惡意代碼行為分析技術(shù)研究與應(yīng)用.pdf

1、隨著計(jì)算機(jī)病毒數(shù)量的增多以及變形病毒、新型病毒的千變?nèi)f化著實(shí)給特征碼檢測(cè)等傳統(tǒng)技術(shù)帶來(lái)了嚴(yán)峻的挑戰(zhàn)：特征碼技術(shù)只能使得“殺毒”永遠(yuǎn)落后于病毒，對(duì)未知病毒即病毒庫(kù)中沒(méi)有特征的病毒幾乎不能檢測(cè)。人們一直在尋找一種根本的、普遍適用的病毒查殺方法，以有效應(yīng)對(duì)每日俱增病毒的數(shù)量。 行為分析由于具有識(shí)別未知惡意代碼的能力，從而成為本領(lǐng)域的研究熱點(diǎn)?；谛袨榉治龅陌踩浖邆渥晕覍W(xué)習(xí)功能，能夠自動(dòng)擴(kuò)展提高自身的防護(hù)能力?；谛袨榉治龅陌踩浖?/p>

2、密切跟蹤所在系統(tǒng)的行為模式，確定并記錄下系統(tǒng)的正常模式。當(dāng)實(shí)際系統(tǒng)行為發(fā)生的變化超過(guò)設(shè)定的閾值時(shí)，安全軟件就會(huì)分析發(fā)生異常的原因以判斷是否遭到惡意攻擊或病毒感染，并根據(jù)情況采取相應(yīng)措施。 確定病毒的行為特征是行為分析之前必需的準(zhǔn)備，本文根據(jù)人工反病毒經(jīng)驗(yàn)歸納了病毒在注入、安裝和運(yùn)行時(shí)的35種行為特征，以及由這些行為所組成的行為特征向量的形式，并介紹了捕獲這些行為的方法。 同時(shí)，考慮每日海量新增病毒樣本需要分析的需求，本文

3、基于虛擬機(jī)控制技術(shù)設(shè)計(jì)并實(shí)現(xiàn)了海量樣本自動(dòng)化行為分析系統(tǒng)，該系統(tǒng)屬于一種聯(lián)機(jī)處理系統(tǒng)，從實(shí)際上解決了人們對(duì)海量病毒分析的需求。 本文基于樣本程序的行為數(shù)據(jù)構(gòu)建分類(lèi)算法，并結(jié)合訓(xùn)練樣本的多個(gè)屬性的取值構(gòu)建學(xué)習(xí)器，使得它能夠?qū)ξ粗獦颖具M(jìn)行有效分類(lèi)。同時(shí)，針對(duì)惡意代碼的黑白檢測(cè)和黑灰檢測(cè)，分別提出最小距離分類(lèi)器和AdaBoost分類(lèi)器。本文使用上述兩類(lèi)分類(lèi)器對(duì)黑灰樣本進(jìn)行了分類(lèi)實(shí)驗(yàn)，證明了AdaBoost分類(lèi)器算法在降低灰名單樣本誤報(bào)