基于行为的分布式恶意代码检测技术
网络安全中的恶意代码检测技术使用方法
网络安全中的恶意代码检测技术使用方法在当今数字化时代，网络安全问题变得越来越重要。
恶意代码是网络安全领域中的一个重要问题。
恶意代码指的是一种特殊类别的计算机程序，其目的是对计算机系统、数据进行恶意攻击。
为了保护计算机系统和用户的隐私，恶意代码的检测技术变得非常关键。
本文将介绍网络安全中恶意代码检测的一些常用技术和使用方法。
1. 签名检测技术签名检测技术是最基本也是最常见的恶意代码检测技术之一。
这种技术基于已有的恶意代码样本的特征来进行检测。
其工作原理是通过与已知恶意代码的特征进行比对来判断是否存在恶意代码。
签名检测技术的有点在于识别已知的恶意代码，因为它们的特征已经被记录在检测数据库中。
然而，缺点是无法识别新型的恶意代码，因为签名是基于已知的样本。
此外，恶意软件作者也可以使用技术手段使其代码不易被检测到，从而规避签名检测技术。
2. 基于行为的检测技术基于行为的检测技术是一种先进的恶意代码检测技术。
它通过分析计算机系统的行为来判断是否存在恶意代码。
与签名检测技术不同，基于行为的检测技术不需要依赖已知的恶意代码样本来进行检测。
基于行为的检测技术的优势在于可以检测未知的恶意代码。
通过分析恶意代码的行为模式，可以发现恶意代码活动所具有的特征。
然而，这种技术也存在缺点。
有时候，合法的应用程序也会产生类似于恶意代码的行为，从而导致误报率较高。
3. 基于机器学习的检测技术基于机器学习的检测技术是一种新兴的恶意代码检测技术。
它利用机器学习算法来学习和识别恶意代码的特征，从而进行检测。
这种技术可以通过对大量恶意代码样本进行训练，从而提高检测的准确性和效率。
基于机器学习的检测技术的优势在于可以自动学习和适应新型恶意代码。
然而，这种技术的缺点在于需要大量的恶意代码样本进行训练，而且需要定期更新模型以适应新的威胁。
4. 沙箱分析技术沙箱分析技术是一种特殊的恶意代码检测技术。
它利用虚拟环境来运行恶意代码，以分析其行为。
通过将恶意代码运行在隔离的沙箱环境中，可以避免对计算机系统和用户造成任何损害。
计算机安全中的入侵检测与恶意代码分析技术原理解析
计算机安全中的入侵检测与恶意代码分析技术原理解析计算机安全是当今社会中极其重要的一个领域，随着计算机技术的迅速发展和广泛应用，计算机系统面临的风险也在不断增加。
入侵检测与恶意代码分析技术作为计算机安全领域中的重要工具，其原理和应用一直备受关注。
本文将重点围绕入侵检测与恶意代码分析技术的原理进行解析，旨在帮助读者全面了解这一领域的知识。
一、入侵检测技术的原理解析入侵检测技术是指通过对计算机系统的各种活动进行检测和分析，识别出潜在的安全威胁和异常行为。
其核心原理是通过对系统日志、网络流量、系统调用等数据进行实时监测和分析，以发现潜在的攻击并及时采取相应的防御措施。
入侵检测技术主要包括基于特征的检测、基于行为的检测和基于异常的检测三种方式。
1.基于特征的检测基于特征的检测是指通过事先确定的攻击特征或规则来进行检测和识别，其核心原理是将已知的攻击特征与实际的系统活动进行比对，从而识别出潜在的攻击。
这种方式主要包括签名检测和状态机检测两种方式。
签名检测是指通过预先建立的攻击特征库来检测和识别已知的攻击，其优点是准确性高，但缺点是对于新型的攻击无法有效的识别。
状态机检测是指通过对系统状态的变化进行监测和分析，以识别出系统中的潜在攻击。
这种方式的优点是能够处理未知的攻击，但其缺点是误报率较高。
2.基于行为的检测基于行为的检测是指通过对系统的正常行为进行建模，然后检测并识别与模型不符的行为。
其核心原理是通过对系统的行为特征进行建模，并对系统实际的行为进行对比分析，从而发现潜在的攻击。
这种方式的优点是能够识别出未知的攻击，并且误报率较低，但其缺点是对系统的资源消耗较大。
3.基于异常的检测基于异常的检测是指通过对系统的正常行为进行学习，然后检测并识别出与正常行为不符的异常行为。
其核心原理是通过对系统的正常行为进行学习和建模，然后对系统实际的行为进行比较分析，从而发现潜在的异常行为。
这种方式的优点是能够识别出新型的攻击，并且误报率较低，但其缺点是对系统的资源消耗较大。
基于机器学习的恶意代码检测技术
基于机器学习的恶意代码检测技术一、引言随着互联网的快速发展，恶意代码越来越普遍。
恶意代码能够侵害用户的隐私、盗取个人信息、破坏计算机系统甚至引起经济损失。
因此，开发恶意代码检测技术变得至关重要。
在过去的几十年里，恶意代码检测技术不断发展，从基于特征的检测技术到基于机器学习的检测技术。
本文将从机器学习角度探讨恶意代码检测技术。
二、基于特征的恶意代码检测技术基于特征的恶意代码检测技术是早期被开发的技术。
该技术从代码的特征入手，分析代码的功能、结构、行为等信息来判断代码是否是恶意代码。
常用的特征包括文件大小、使用的API函数、代码段和数据段的长度等。
但是，随着技术不断发展，恶意代码变得越来越复杂，很难从特征中准确地识别恶意代码。
另外，攻击者会不断地对恶意代码进行变异，使得基于特征的检测技术无法及时地适应变异后的恶意代码。
因此，基于特征的检测方法已经被机器学习的方法所替代。
三、基于机器学习的恶意代码检测技术基于机器学习的恶意代码检测技术是目前最为流行的检测技术之一。
该技术利用机器学习算法从大量的数据中学习，可以自动地提取恶意代码的特征，并可以适应恶意代码的变异。
1. 数据收集和准备在基于机器学习的恶意代码检测技术中，数据的收集和准备是非常重要的一个环节。
恶意代码数据的来源可以是公共数据库、恶意代码样本库、黑客论坛以及其他来源。
在准备数据时，需要对数据进行清洗、去重和标注。
数据清洗是为了剔除无效数据，去重是为了避免训练数据重复，标注是为了对恶意代码和正常代码进行区分。
2. 特征提取特征提取是机器学习检测技术的关键步骤之一。
提取恶意代码的特征需要考虑到特征的全面性和重要性。
通常，特征可以包括二进制特征、API调用特征、图像特征和文本特征等。
在恶意代码检测中，二进制特征是最基础的特征，用于描述代码的结构和实现。
API调用特征是用于描述代码调用的API函数，可以反映代码的行为和功能。
图像特征和文本特征则用于描述代码的可视化和语言特性。
信息安全恶意代码检测与分析
信息安全恶意代码检测与分析在当今数字化的时代，信息安全成为了至关重要的问题。
恶意代码如同隐藏在数字世界中的“毒瘤”，时刻威胁着个人用户、企业甚至整个社会的信息安全。
了解恶意代码的检测与分析方法，对于保护我们的信息资产具有极其重要的意义。
恶意代码，简单来说，就是一段能够对计算机系统或网络造成损害、窃取敏感信息或者执行其他非法操作的程序代码。
它可以以多种形式存在，比如病毒、蠕虫、木马、间谍软件、勒索软件等等。
这些恶意代码的传播途径也是五花八门，常见的有网络下载、电子邮件附件、移动存储设备、软件漏洞利用等。
那么，如何检测这些恶意代码呢？首先，基于特征的检测方法是较为常见的一种。
这种方法就像是通过“指纹”来识别罪犯一样。
安全研究人员会对已知的恶意代码进行分析，提取出其独特的特征码，比如特定的代码片段、文件结构等。
然后，安全软件会在系统中扫描文件，将其与已知的特征码进行比对。
如果匹配成功，就可以判定为恶意代码。
但这种方法有一个明显的缺点，那就是对于新出现的、尚未被收录特征码的恶意代码可能会无能为力。
另一种检测方法是基于行为的检测。
它关注的是程序的运行行为。
通过监控程序在系统中的操作，比如对系统文件的修改、网络连接的建立、注册表的更改等，如果发现异常或者可疑的行为，就会发出警报。
这种方法对于检测未知的恶意代码具有一定的优势，因为无论恶意代码如何变化，其恶意行为往往具有一定的共性。
还有一种基于启发式的检测方法。
它不像基于特征的检测那样依赖于已知的特征，也不像基于行为的检测那样需要实时监控。
启发式检测通过一些规则和算法，对程序的代码结构、逻辑等进行分析，评估其潜在的风险。
如果某个程序的某些特征符合恶意代码的常见模式，就会被标记为可疑。
在恶意代码检测的过程中，沙箱技术也是一种常用的手段。
沙箱就像是一个隔离的“实验场”，将可疑的程序放入其中运行，观察其行为而不会对真实的系统造成影响。
如果在沙箱中发现了恶意行为，就可以确定该程序为恶意代码。
网络安全中的恶意代码检测与防范
网络安全中的恶意代码检测与防范一、恶意代码的概念与特征恶意代码（Malware）是一种破坏性的软件，它会在用户不知情的情况下进入计算机系统，通过窃取信息、破坏文件、占用系统资源等方式对用户造成伤害。
目前常见的恶意代码包括病毒（Virus）、蠕虫（Worm）、木马（Trojan horse）、间谍软件（Spyware）等。
这些恶意软件会利用漏洞或者用户的不当行为来攻击用户的计算机系统。
例如，用户不小心点击了一个恶意链接或者下载了一个感染了病毒的程序，都有可能导致计算机系统遭到破坏。
恶意代码的特征包括潜在性、不可预测性、变异性和传染性。
其中，变异性是恶意代码最为致命的特征之一。
由于恶意代码的变异性比较强，导致传统的恶意代码检测技术失效。
因此，基于行为的恶意代码检测技术逐渐应用广泛。
二、恶意代码检测技术（一）基于签名的恶意代码检测基于签名的恶意代码检测是一种传统的检测技术，它通过比对已知的恶意代码的特征（即病毒特征库）和目标文件的特征来识别恶意代码。
如果目标文件的特征与病毒特征库中的恶意代码匹配，那么该目标文件就被认为是恶意的。
基于签名的恶意代码检测技术的优点是准确性高、误报率低，但其缺点是无法检测出新出现的恶意代码。
（二）基于行为的恶意代码检测随着恶意代码的变异性不断增强，基于签名的恶意代码检测技术的局限性日益显现。
与此同时，基于行为的恶意代码检测技术逐渐成为了主流。
基于行为的恶意代码检测技术直接针对恶意代码的行为特征进行监测，从而判断该程序是否为恶意代码。
例如，当一个程序在计算机上执行某些恶意行为，例如窃取用户的个人信息或占用计算机资源时，基于行为的恶意代码检测技术会自动识别出来。
基于行为的恶意代码检测技术的优点是可适应新兴的恶意代码，但其缺点是误报率较高。
三、恶意代码防范措施（一）注意网络安全意识有一个好的网络安全意识可以更好地保护自己的计算机系统。
用户应该牢记的是，不要轻易打开陌生邮件、不要随便点击任何链接，并且不要轻易下载未知来源的程序，以避免受到恶意代码的攻击。
恶意代码检测与分析
恶意代码检测与分析恶意代码是指那些被设计用来对计算机系统或网络进行破坏、入侵或传播的代码。
恶意代码的目的可以是窃取敏感信息、破坏系统功能、操纵系统行为或传播自身。
恶意代码种类繁多，包括病毒、蠕虫、木马、间谍软件、广告软件等。
为了确保计算机系统和网络的安全，恶意代码的检测与分析变得至关重要。
下面将介绍恶意代码检测与分析的方法和技术。
一、恶意代码检测1.病毒扫描病毒扫描是一种最常见的恶意代码检测方法。
它通过对文件和系统进行扫描，寻找已知的病毒特征。
病毒特征是一些已知的病毒代码片段、文件名或行为模式。
如果扫描发现了这些特征，就会认定文件或系统受到感染。
2.行为分析行为分析是一种基于恶意代码的行为模式进行检测的方法。
它监视软件程序的运行过程，分析其行为模式是否符合恶意代码的行为。
例如，如果一个程序试图修改系统文件或窃取用户信息，就可能是恶意代码。
3.网络流量分析恶意代码在传播和执行时通常会通过网络进行通信。
网络流量分析可以通过监视网络通信，检测出异常流量模式或恶意行为。
例如，如果一个计算机在短时间内向大量IP地址发送数据包，就可能是一个僵尸网络的一部分。
二、恶意代码分析恶意代码分析是对恶意代码进行深入分析和理解的过程，目的是找出其行为、特征和传播方式，从而提供有效的防御措施。
1.静态分析静态分析是对恶意代码进行静态扫描，不需要实际运行代码。
静态分析可以通过对代码的反汇编、符号执行和代码模式匹配等技术来获取恶意代码的行为和特征。
2.动态分析动态分析是在虚拟环境中运行恶意代码，并监视其行为模式和系统调用。
动态分析通常通过采集恶意代码的运行数据、行为模式和输入输出参数来分析恶意代码的特征和目的。
3.持续监测总结：恶意代码检测与分析是确保计算机系统和网络安全的重要环节。
通过病毒扫描、行为分析和网络流量分析等方法可以及时检测恶意代码。
静态分析和动态分析可以深入理解恶意代码的行为和特征，从而提供有效的防御措施。
持续监测可以保持对恶意代码的及时识别和应对。
恶意代码检测算法综述
恶意代码检测算法综述恶意代码是指有害的软件或代码，可以带来许多危害，比如盗取个人信息、破坏系统等。
为了保护计算机安全，检测恶意代码是必不可少的。
本文将综述当前常用的恶意代码检测算法，并探讨它们的优缺点。
1. 病毒特征库法病毒特征库法是目前最为普遍的恶意代码检测方法之一。
该方法基于已知的恶意代码特征构建特征库，并使用特征匹配算法进行检测。
该方法可以快速而准确地检测已知的恶意代码，但对于未知的恶意代码则无法起到作用。
2. 启发式扫描法启发式扫描法是一种通过代码行为检测恶意代码的方法。
它是对病毒特征库法的补充，可以检测未知的恶意代码。
该方法在执行文件时，对其进行动态分析，如果发现其具有恶意行为，则对其进行处理。
该方法可以有效地检测未知的恶意代码，但是会导致误报。
3. 模拟器检测法模拟器检测法是使用虚拟机器运行待检测的可执行文件。
如果可执行文件具有病毒行为，它就会尝试感染虚拟机器。
根据感染结果，可以判断文件是否恶意。
该方法可以检测新型的恶意代码，但会占用大量的计算资源。
4. 行为分析法行为分析法是通过对程序运行的监控与分析来检测恶意代码。
文件被执行时，行为分析器会记录其行为，包括访问的文件、网络连接等。
如果其表现出恶意行为，如访问敏感文件、与外部服务器连接，则被视为恶意代码。
该方法可以检测未知的恶意代码，但需要大量的样本数据。
5. 机器学习法机器学习法通过分析已知的恶意代码和普通软件的特征来进行分类。
该方法可以检测未知的恶意代码，并且不需要样本数据。
但它需要大量的计算资源来训练模型，并且容易受到针对性攻击。
综上所述，目前检测恶意代码的方法有很多种，每种方法都有其优缺点。
从实际应用的角度出发，可以选择合适的方法，或结合多种方法，以达到最佳的检测效果。
在未来，应该继续探索更好的恶意代码检测方法，并不断改进现有的算法。
应用人工智能技术的恶意代码检测方法研究
应用人工智能技术的恶意代码检测方法研究近年来，恶意代码的出现频率越来越高，给各个领域带来严重的安全问题。
以往的恶意代码检测方法主要依靠特征码匹配和行为分析，但随着人工智能技术的迅速发展，应用人工智能技术的恶意代码检测方法逐渐成为热门研究领域。
一、人工智能技术在恶意代码检测中的应用人工智能技术在恶意代码检测中的应用已经初露头角，主要包括：基于机器学习的恶意代码检测、基于深度学习的恶意代码检测、基于自然语言处理的恶意代码检测等方面。
这些方法的共同点在于，都依赖于大量的数据样本和相应的算法模型。
1. 基于机器学习的恶意代码检测基于机器学习的恶意代码检测方法利用样本数据中的特征，通过数据挖掘的技术，找到恶意代码中的共性和规律，并建立模型进行分类。
其主要优点是可以自适应地更新模型，随着新的样本数据的不断积累，模型的性能也会不断提升。
目前，机器学习算法在恶意代码检测中的准确率已经达到了较高的水平。
2. 基于深度学习的恶意代码检测基于深度学习的恶意代码检测方法是在机器学习的基础上，引入了更加复杂的模型架构，例如神经网络等。
这种方法可以通过对数据进行卷积、池化、全连接等多种方式的处理，从而提取出更加高阶的特征。
与机器学习算法相比，深度学习算法在恶意代码检测中的准确率更高，且鲁棒性更好。
3. 基于自然语言处理的恶意代码检测基于自然语言处理的恶意代码检测方法主要针对的是利用接口漏洞进行攻击的恶意代码。
这种方法通过分析网络数据包和代码流量中的语言特征，如API函数调用、网络通信协议等，来判断是否存在恶意行为。
与其他两种方法相比，基于自然语言处理的方法需要耗费更多的计算资源，但是在一些特定场景中具有独特的优势。
二、人工智能技术在恶意代码检测中的优缺点使用人工智能技术来检测恶意代码，具有以下的优点：1. 检测效率高：由于人工智能技术可以自动识别、提取及判断恶意代码特征，所以可以快速检测出潜在的安全漏洞和恶意行为。
2. 检测准确率高：借助于机器学习和深度学习等人工智能算法，恶意代码检测的准确率已经达到了相当高的水平，并且还在不断提升中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｙ Ｎ Ｊｎｗ ｉ， Ｈ Ｎ ｉ．ｉ， Ｉ ｉ ， Ｎ ｉｎ Ａ ｕ — ｅ Ｚ Ｏ Ｇ Ｑ ｕｘ Ｊ Ｘｎ ＷＡ Ｇ Ｑａ 。 Ａ
（ ． ｃｏｌ ｆ ｏ ｐ ｔ ｃ ｎｅ Ｎ ｔ ｎｌ ｎ ｅｓｙｏ ｅｅｓ ｅｈ ｏ ｇ ， ｈｎｓａ １０ ３ ｈｎ ； １Ｓｈｏ ｍ ｕｅ Ｓｉ ｃ ， ａｏ ａ Ｕ ｉ ｒ ｔ ｆ ｆｎｅ ｃ ｎｌ ｙ Ｃ ａｇｈ ７ ，Ｃ ｉａ ｏＣ ｒ ｅ ｉ ｖ ｉ Ｄ Ｔ ｏ ４０
２ １ 年第 ９期 ０１
计 算 机 与 现 代 化 Ｊ Ｕ Ｎ ＩＹ Ｉ Ｎ Ａ ＨＵ Ｉ Ａ Ｊ Ｕ ＸＡ Ｄ Ｉ Ａ Ｓ
第 １３ ９
文章编号 ：０ ６２ ７ （０ １ ０ －１６０ １０ － ５ ２ １ ）９０ ２ － ４ ４
基 于行 为 的分 布 式 恶 意 代码 检测 技 术
全领域的 一个研究热点。 １ 相 关 研 究
目前 的恶意代 码检 测技术 主要 有完 整 性校 验 、 实 体 特征 码检 测技 术 和 行 为分 析 检 测 技 术 等 。校 验 和 技 术 与 Ｗｉ ｏ ｓ ｎ ｗ 的代码 签 名验 证 是 完 整 型技 术 比 ｄ 较 典 型 的应 用 。校 验 和技 术 是 一 种保 护 信 息 资源 完 整 性 的控制 技术 ， 例如 Ｈａｈ值 和循 环冗余 码 等 ， ｓ 依据
ａ ａｉｎ ｂ ｈ ｖｏ ｆｍａｗ ｒ ｇ ｔ ｅ ａ ｉｒｏ ｌ ａ ｅ，ａ ｄ ｅ ｔａ ｔ ｔ ｓｇ ａｕ ｅ ｏ ｎ ｘ ｒ ｃｓ ｉ ｉｎ ｔ ｒ ．Ａ ｄ ｓ ｂ ｔ ｄ ｍａｗ ｒ ｅ ｅ ｔ ｎ ｍｅｈ ｄ ｉ ｐ ｏ ｏ ｅ ｎ ｅ ｆｅ ｐ ｒ— ｓ ｉｔ ｕ ｅ ｌ ａ ｅ ｄ ｔ ｃｉ ｔｏ ｓ ｒｐ ｓ ｄ ａ ｄ ａ ｓ ｔｏ ｘ ｅ ｉ ｉ ｒ ｏ ｍｅ ｔ ａ ｅ ｍａ ｅ ｏ Ｓ ２．Ｔ ｅ ｒ ｓ ｌ ｓ ｏ ｓｔ ａ ｈ ｓｍｅ ｈ ｄ ｃ ｎ ｅ ｅ ｔ ｅｙ ｄ ｔｃ ｈ ｌｗ ｒ ． ｎ ｓ ｒ ｄ ｎ Ｎ － ｈ ｅ ｕ ｔ ｈ ｗ ｈ ｔｔ ｉ ｔ ｏ ａ ｆ ｃ ｉ ｌ ｅｅ ｔｔｅ ｍａ ａ ｅ ｖ Ｋｅ ｒ ｓ ｍａｗａ ｅ ｉｔ ｂ ｔｄ；ｄ ｔｃｉ ｎ ｅ ａ ｉｒ ｙ ｗｏ ｄ ： ｌ ｒ ；ｄ ｓｒ ｕ ｅ ｉ ｅｅ ｔ ；ｂ ｈ ｖｏ ｏ
的思想 是 ： 文件 任何 一个 比特发 生 变 化 ， 都会 改变 校
便利 ， 此 同时 ， 与 由于 网络本 身存 在 的脆弱性 ， 之恶 加 意代 码技术 的不 断发 展 和进化 ， 得恶 意代码 对 网络 使 的威 胁 越 来 越 大 。２ １ ０ ０年 上 半 年 Ｃ Ｃ Ｒ Ｎ Ｅ Ｔ共 接 收 ４８ ７０次网络 安全 事 件 报 告 （ 包 括 扫 描 和 垃圾 邮件 不 类事 件 ） 与 ２０ ， ０９年 上 半 年 相 比增 长 １５ 。其 中 ， ０％ 恶意 代码 、 漏洞 和 网 页仿 冒事 件 报 告 次 数居 前 三 位 ， 所 占 比例 分 别 为 ：７ ５ ％ 、５ ９ ％ 和 １ ． ８ ５ ． ７ ２ ．６ ５ ４ ％ Ｊ 。 由于网络 遭受 恶意 代 码 攻 击 而 造成 的各 种 损失 也 与
意 代码 。
关 键 词 ： 意 代 码 ；分布 式 ； 测 ；行 为 恶 检
中 图分 类 号 ：Ｐ ９ ．８ Ｔ ３ ３０
文 献 标 识 码 ： Ａ
ｄｉ ０３ ６ ／． ｓ．０ ６２ ７ ．０ １０ ．３ ｏ：１ ．９９ ｊｉ ｎ １０ － ５ ２ １ ．９ ０４ ｓ ４
Ｄｉｔ ｉ ｕｔ ｄ Ｍ ａ ｗａ ｅ Ｄｅ ｅ ｔｏ ｃ ｎｏ ｏ ｙ Ｂａ ｅ ｎ Ｂｅ ａ ｉ ｒ ｓｒ ｂ ｅ ｌ ｒ ｔ ｃ ｉ ｎ Ｔｅ ｈ ｌ ｇ ｓ ｄ ｏ ｈ ｖ ｏ
２ Ｍｉ ｔ ｒ ｐ ｅ ｅ ｔ ｔ ｅ Ｏ ｉｅ Ｓ ａｉ ｎ ａ ｈ ｎ ｓ ａ ． ｌ ａｙ Ｒｅ ｒ ｓ ｎ ａｉ ｆ ｃ ｔ ｔ ｔＣ ａ ｇ ｈ ，Ｃ ＧＳ ｉ ｖ ｏ Ｄｏ ，Ｃ ａ ｇ ｈ ０ ０ ｈ ｎ ｓ ａ４１ ０ ０，Ｃ ｉ ａ ｈｎ ；
３Ｃ ｎ ｄｎｉ ｉｓＳ ｆ Ｒ ｏ ｆ ｈｎｓ Ｐｏｌ’ ｒ ｅ ｏ ｃ ｏ ｅＡ ａｅ ｙｉ Ｓ ｊ ｚｕｎ ， ｈｉ ｈ ａｇ００６ ， ｈｎ） ．ｏｆ ｅｔｌ ｌ ｔ ｏｍ ｏ ｉｅｅ ｅｐ Ｓ ｍ ｄＰｌｅＦ ｒ ｃｄｍ ｈｉ ｈ ａｇ Ｓ ｉａ ｕｎ ５ ３７ Ｃ ａ ｉ ａＦ ｅ ａ Ｃ ｅ Ａ ｉ ｃ ｎ ｉａ ｊｚ ｉ ＡｂｔａｔＡ ｃｒｉ ｅ ｉ ｄ ａｔ ｅ ｅ ｌ ａｅ ｅ ｃｏ ｃｎｌｇ ｓ ｓｄｎｗ，ｈｓ ａ ｅ ｇ ｅ ｓａｃ ｅｐｏ — ｓｒｃ： ｃｏｄｎ ｔ ｔ ｓ ｖｎａ ｓ ｎｔ ｗ ｒ ｄ ｔ ｔ ｎ ｅｈｏｏｉ ｅ ｏ ｔｉ ｐｐｒ ｖｓ ｒ ｅｒｈｔ ｔ ｒｐ ｇ ｏｈ ｄ ａ ｇ ｉ ｈ ｍａ ｅｉ ｔ ｅｕ ｉ ａｅ ｏｈ
０ 引 言
随着 网络技 术 的发展 和 普及 ， 计算 机 网络在各 个 领域 发挥 着越来 越重 要 的作用 ， 社 会对 网络 的依 人类
赖 性也 Ｅ益增 强 。例 如 ， ｔ 电子 商 务 、 电子政 务 和 网上 银行 等一 系列技 术 的应用 ， 给人们 的生活带 来 巨大 的
闫军伟 钟求喜 贾 ， ， 欣 ０ ７ ； ． １０ ３ ２ 总参通信部驻 长沙地 区军代 室， 湖南 长沙 ４ ００ ； １０ ０
３ 武警石 家庄指挥 学院保 密档案业务教研 室， ． 河北 石 家庄 ０ ０ ６ ） ５ ０ ７ 摘要： 针对 已有恶意代 码检 测技术存在不足 ， 究恶意代码 网络传播 行为 ， 研 提取相应行为特征 ， 此基础上提 出基 于行为 在 的分布式恶意代码检 测技 术 ， 并进行 Ｎ － Ｓ２仿真 实验 。实验结 果表 明该 方法具 有较低 的误 报 率和 漏报 率， 可有 效检 测 恶