论文部分内容阅读
在新开发的系统被部署应用之前，恶意代码检测成为非常重要的一个环节，同时也是很大的一个挑战。本文中，采用机器学习，发现系统的实现结构，包含设计中的正常功能以及隐藏存在的恶意行为。通常情况下，带有机器学习的出版的系统被认为是完全确定的。但是实际的系统经常是不确定的，而且流行的算法并不适用。本文设计了针对不完全确定系统的广义并且高效的机器学习算法，来检验恶意代码的植入。并进一步延伸机器学习的结果，从一个近似的模型开始，比已知的算法更有效的学习一个实现的结构。实验表明本文的算法更有效地检测恶意植入行为。