1. 研究目的与意义（文献综述）

随着信息化社会的发展，工业、国防、教育、金融等社会各行各业的信息越来越依赖于计算机和互联网，但是频繁发生的网络安全事件给人们敲响了警钟。计算机网络安全问题正成为人类信息化所面临的巨大挑战，关系到个人、企业和国家的利益。而网络安全问题的始作俑者主要是恶意程序。近年来，恶意程序的编码水平不断提高，在恶意程序灰色产业链带来的巨大利益驱使下，恶意程序正在朝着规模化发展，导致了恶意程序的爆炸式增长。这种情况下传统的恶意样本检测技术远不能达到需求。比如基于特征码的恶意程序分析技术，需要提取每一个恶意程序的特征码，而对于数以万计的恶意样本，提取特征码的工作量巨大，并且效率极低；另一方面，用户端需要定期升级最新的病毒库，恶意程序的爆炸式增长导致病毒库容量也需要大幅增大，这将导致资源的占用以及检测分析的速度。另外智能手机普及率急剧增加，移动支付也正在占领市场，导致智能手机平台的恶意程序也越来越活跃，在这些背景下，开发全新的恶意样本检测技术，以应对恶意程序前所未有的挑战迫在眉睫。

在恶意程序数量爆炸的背景下，选择机器学习算法成为趋势。机器学习算法更加高效，目前已经有不少采用机器学习算法对恶意样本行为进行检测的研究。malheur由konrad rieck等人提出并给出了相应的开源实现，以样本中api出现的相对顺序作为特征向量，利用原型和聚类算法进行检测分析，该方法的缺点是特征向量过于稀疏，在高达几万维的特征向量中往往只有几十到几百维的特征值非零。radu等人采用随机森林算法检测恶意动态行为，根据api调用信息提取了68维的特征向量，对四类恶意样本进行了分类。该研究没有考虑白样本，适合在对样本黑白分类后进行恶意类别细分。ivan等人用knn，朴素贝叶斯，svm，j48，mlp这5种算法进行了比较分析，不过其用于实验的总样本数只有470个，其结果的可靠性不是很高。

上述研究方法都采用了传统机器学习算法，利用手工分析特征向量进行分类处理，其结果受特征向量选取的影响极大。在过去几年中，深度学习已成为大多数ai问题的首选技术，掩盖了经典的机器学习，其中的主要原因是深度学习已经在包括自然语言、视觉等在内的多领域中有优异的表现。深度学习的动机在于建立、模拟人脑进行分析学习的神经网络，通过模仿人脑的机制来解读数据，例如图像、声音和文本。实际上它是一种无监督学习，其概念源于人工神经网络的研究。本研究将采用cnn算法，cnn即卷积神经网络，1998年yann lecun设计了用于手写数字识别的卷积神经网络lenet-5，后经hinton及其学生alex krizhevskyx修改，于2012年获得了imagenet竞赛冠军。之后cnn就得到了广泛应用，检测结果十分优异。借助cnn在自然语言处理方面的研究成果，进行恶意样本的动态行为检测，不需要人工提取特征向量，具体的特征是算法根据样本的动态行为信息自行学习。

2. 研究的基本内容与方案

本设计的基本内容和目标包括以下三个方面：

1. 了解恶意样本检测的发展简史和研究现状，掌握数据挖掘的应用领域和适用范围，掌握机器学习、深度学习的基本概念和方法，并进行细致的总结和分析。

2. 深刻理解和掌握深度学习理论和技术、恶意样本检测的理论及其实现过程，主要研究内容包括：恶意样本特征提取的静态分析技术、动态分析技术，基于卷积神经网络的恶意样本检测技术。

3. 研究计划与安排

第1周—第3周搜集资料，撰写开题报告；

第4周—第5周论文开题；

第6周—第12周撰写论文初稿；

4. 参考文献（12篇以上）

[1] 张海舰，方舟，陈新.基于深度学习技术的恶意app检测方案[j]. 网络安全技术与应用，2017(3)：108-108.

[2] 孙泽浩.基于深度学习的恶意代码检测技术[j].网络安全技术与应用，2018(2).

[3] jian-huali.网络安全遇上人工智能:综述[j].frontiersof information technology amp; electronic engineering,2018,(12): 1462-1475.