基于数据挖掘技术的加壳PE程序识别方法

doi:10.3724/SP.J.1087.2011.01901

计算机应用 ›› 2011, Vol. 31 ›› Issue (07): 1901-1903.DOI: 10.3724/SP.J.1087.2011.01901

基于数据挖掘技术的加壳PE程序识别方法

赵跃华,张翼,言洪萍

江苏大学计算机科学与通信工程学院,江苏镇江 212013

收稿日期:2010-12-20 修回日期:2011-01-30 发布日期:2011-07-01 出版日期:2011-07-01
通讯作者: 言洪萍
作者简介:赵跃华(1958-),男,江苏苏州人,教授,博士,主要研究方向：信息理论与安全、通信安全;张翼(1985-),男,江苏姜堰人,硕士研究生,主要研究方向：信息安全、网络对抗;言洪萍(1985-),男,江苏常州人,硕士研究生,主要研究方向：计算机病毒与反病毒、驱动开发与防火墙。
基金资助:
上海市信息安全综合管理技术研究重点实验室开放课题项目

Classification of packed PE files based on data mining

Yue-hua ZHAO,Yi ZHANG,Hong-ping YAN

Department of Computer Science and Communication Engineering, Jiangsu University, Zhenjiang Jiangsu 212013, China

Received:2010-12-20 Revised:2011-01-30 Online:2011-07-01 Published:2011-07-01
Contact: Hong-ping YAN

摘要/Abstract

摘要： 恶意代码大量快速的繁衍使得恶意代码自动化检测成为必然趋势，加壳程序识别是恶意代码分析的一个必要步骤。为识别加壳可执行程序，提出一种基于数据挖掘技术的自动化加壳程序识别方法，该方法提取和选取可移植可执行(PE)特征，使用分类算法检测PE文件是否加壳。测试结果表明，在使用J48分类器时加壳文件识别率为98.7%。

关键词: 可执行文件分析, 加壳识别, 数据挖掘

Abstract: The proliferation of malicious code makes automatic malicious code detection an inevitable trend. Packed Portable Executable (PE) files identification is a necessary step of malicious code analysis. The paper presented an automatic identification method based on data mining, through which feature was extracted from PE files. The paper used classification algorithms and selected features to detect packed PE files. The test results show that the identification rate is 98.7% when using J48 classifier.

Key words: Portable Executable (PE) file analysis, packing detection, data mining

中图分类号:

TP309.5

赵跃华张翼言洪萍. 基于数据挖掘技术的加壳PE程序识别方法[J]. 计算机应用, 2011, 31(07): 1901-1903.

Yue-hua ZHAO Yi ZHANG Hong-ping YAN. Classification of packed PE files based on data mining[J]. Journal of Computer Applications, 2011, 31(07): 1901-1903.

[1]	刘世泽, 秦艳君, 王晨星, 苏琳, 柯其学, 罗海勇, 孙艺, 王宝会. 基于深度残差长短记忆网络交通流量预测算法[J]. 计算机应用, 2021, 41(6): 1566-1572.
[2]	李旭娟, 皮建勇, 黄飞翔, 贾海朋. 基于自生成深度神经网络的4D航迹预测[J]. 计算机应用, 2021, 41(5): 1492-1499.
[3]	陈凯, 于彦伟, 赵金东, 宋鹏. 基于城市交通监控大数据的工作位置推理方法[J]. 计算机应用, 2021, 41(1): 177-184.
[4]	龙洋洋, 陈玉玲, 辛阳, 豆慧. 基于联盟区块链的安全能源交易方案[J]. 计算机应用, 2020, 40(6): 1668-1673.
[5]	杜旭升, 于炯, 叶乐乐, 陈嘉颖. 基于图上随机游走的离群点检测算法[J]. 计算机应用, 2020, 40(5): 1322-1328.
[6]	徐周波, 杨健, 刘华东, 黄文文. 基于XGBoost与拓扑结构信息的蛋白质复合物识别算法[J]. 计算机应用, 2020, 40(5): 1510-1514.
[7]	陈曦, 梅广, 张金金, 许维胜. 融合知识图谱和协同过滤的学生成绩预测方法[J]. 计算机应用, 2020, 40(2): 595-601.
[8]	马董, 陈红梅, 王丽珍, 肖清. 空间亚频繁co-location模式的主导特征挖掘[J]. 计算机应用, 2020, 40(2): 465-472.
[9]	李莎莎, 梁冬阳, 余杰, 纪斌, 马俊, 谭郁松, 吴庆波. 基于师门关系的研究团队挖掘算法[J]. 计算机应用, 2020, 40(11): 3198-3202.
[10]	孙鹤立, 张优优, 杨洲, 何亮, 贾晓琳. 基于时间线段树的城市可达区域搜索[J]. 计算机应用, 2020, 40(10): 2936-2941.
[11]	李博, 张晓, 颜靖艺, 李可威, 李恒, 凌玉龙, 张勇. 基于值差度量和聚类优化的K最近邻算法在银行客户行为预测中的应用[J]. 计算机应用, 2019, 39(9): 2784-2788.
[12]	纪丽娜, 陈凯, 于彦伟, 宋鹏, 王淑莹, 王成锐. 基于城市交通大数据的车辆类别挖掘及应用分析[J]. 计算机应用, 2019, 39(5): 1343-1350.
[13]	叶志宇, 冯爱民, 高航. 基于深度LightGBM集成学习模型的谷歌商店顾客购买力预测[J]. 计算机应用, 2019, 39(12): 3434-3439.
[14]	袁钟, 冯山. 基于邻域值差异度量的离群点检测算法[J]. 计算机应用, 2018, 38(7): 1905-1909.
[15]	陈辉, 蒋圭峰, 姜桂圆, 武继刚. 基于海量公交轨迹数据挖掘的地图匹配算法[J]. 计算机应用, 2018, 38(7): 1923-1928.

基于数据挖掘技术的加壳PE程序识别方法

Classification of packed PE files based on data mining

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics