因為計算機網(wǎng)絡(luò)技術(shù)的發(fā)展迅速,所以各種各樣的軟件不斷推陳出新,當然其中不乏各類惡意軟件的出現(xiàn)。由于很難獲得這些惡意軟件的源代碼,因此反向分析已成為分析惡意軟件的強大工具。在逆向工程和二進制程序分析中,函數(shù)識別又是一個根本性的挑戰(zhàn),因為許多惡意軟件通常包含從開源軟件中復(fù)用的大量函數(shù)。如果能夠有效的識別函數(shù),不僅能提高逆向分析的效率,減少逆向分析人員的工作量,而且還可以降低不相關(guān)代碼庫之間的假相關(guān)性。在函數(shù)識別中,如何去辨別出庫函數(shù)又至關(guān)重要。事實證明,對于那些高級語言程序,識別出庫函數(shù)所花費的時間是相當可觀的。逆向人員會因為沒有獲得新知識而覺得時間被浪費了,但是正常的分析過程中都不得不重復(fù)這一步。有時如果我們知道了一個庫函數(shù)所屬的類別,就能夠大大降低程序分析事務(wù)的強度,例如,在一段代碼中,處理流數(shù)據(jù)的函數(shù)一般是獨立于代碼中的主要算法的。并且在每個高級語言所編寫的程序中,都使用了很多標準庫中的函數(shù),有時這些庫函數(shù)甚至在所有被調(diào)用的函數(shù)中占有95%的比例,這就是識別庫函數(shù)的重要性所在。在本研究中,我們對函數(shù)中的每個block,統(tǒng)計兩兩相鄰指令的操作碼類型,即它們出現(xiàn)的頻率,存儲至矩陣中,最后... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【部分圖文】：

手機惡意軟件的主要行為

播的速度大幅度提升。所以，在惡意軟件出現(xiàn)的初期階段，由于新發(fā)現(xiàn)的惡意軟件??比較少，因此對惡意軟件進行手動分析是可行的。但是在２０００年以后，沒有被檢??測到過的非法軟件的數(shù)量迅速增加。其增長趨勢圖如圖１．?２所示。??１６０００００００??１４０００００００??１２０００００００??１００００００００??８０００００００??６０００００００??４０００００００?＿??２０００００００?■?■??０?■??２００７?２００８?２００９?２０１０?２０１１?２０１２?２０１３?２０１４??■軟件數(shù)Ｍ??圖１．２惡意軟件的數(shù)量增長趨勢圖??在這種惡意軟件數(shù)量快速增長的情況下，它們又具有了新的危害方面。??１、

通過對匯編代碼中操作碼頻率的統(tǒng)計，我們能夠得到一個代表函數(shù)特征的矩??陣。根據(jù)Ｂｉｌａｒ的統(tǒng)計，共有３９８個ＩＡ－３２操作碼，而在常用的合法軟件中，９０％??都是最常見的１４個操作碼，如圖２．１所示。因為匯編指令的數(shù)量有限，所以這個??矩陣不會無限擴大，方便計算，也很大程度上控制了計算時間。??ｊｎｚ?＼?Ｉ?／??９％??圖２．１在常用軟件中出現(xiàn)頻率最高的１４個操作碼??９??

【參考文獻】：
碩士論文
[1]基于深度學習混合模型的文本分類研究[D]. 周超.蘭州大學 2016



本文編號：3455015