模型与数据混合驱动的代理模型构建方法研究

以某作战样式下的立体投送行动为研究对象,针对模拟仿真推演计算因子过多、计算资源开销过大、普通解析模型计算精度不足等问题,提出了一种模型与数据混合驱动的代理模型构建方法,支撑作战行动的研究。基于军事理论构建了包含武器装备、作战力量等在内的含待优化系数的立体投送解析模型组,并依托自主研发的“代理模型可视化平台”,实现前述解析模型组的复合和参数设置;通过模拟仿真系统实施推演,采集高可信度仿真数据;以高可信度仿真数据为样本,采用多目标遗传优化算法NSGA-II对解析模型中的待定关键系数进行优化,获得能够兼顾计算精度和计算速度的立体投送代理模型。经对比实验结果表明,构建的立体投送代理模型计算结果与高可信度仿真推演相比,战损最大相对误差不超过6.5%,而计算速度提升了150倍。     

路径条件驱动的混淆恶意代码检测

代码混淆是恶意代码隐藏自身的主要手段之一.本文提出了一种新的动态检测方法,能够有效检测混淆后的恶意代码.该方法能够利用ISR进行动态调试.在调试过程中通过对路径条件的约束求解,驱动恶意代码执行不同的路径更深入地检测隐藏恶意代码.此外,对于需要读取外部资源的恶意代码,恶意行为往往需要结合外部资源才能检测.本文方法能够准确定位外部资源并结合原始恶意代码进行检测,提高检测的准确性.在原型系统的测试中,与12种杀毒软件的横向测试表明,该方法在对混淆恶意代码检测中能有效地降低漏报率.     

Defeating constraint based program analysis with temporal correlation function

Constraint based program analysis is widely used in program validation, program vulnerability analysis, etc. This paper proposes a temporal correlation function to protect programs from analysis. The temporal correlation function can be applied to resist against both static and dynamic function summary and eoncolie testing. What＇ s more, the temporal correlation function can produce different outputs even with same input. This feature can be used to damage the premise of function summary as well as prevent concolie testing process to run the new branch with new input. Experiment results show that this method can reduce efficiency and path coverage of concolic testing, while greatly in- creasing the difficulty of constraint based program analysis.     

恶意代码的符号执行树分析方法

在恶意代码分析中,动态监测虚拟环境中的恶意代码行为是一种常用的方法。但是,由于可执行的路径分支众多,极易产生路径爆炸问题,造成某些可执行路径无法被覆盖,严重影响分析的全面性。为了解决恶意代码分析中路径爆炸问题,提出了一种基于符号执行树的恶意代码分析方法。通过构造符号执行树,引入汇聚节点,对恶意代码的执行路径进行约束求解,减少分析路径,从而缓解路径爆炸的影响,提高分析的全面性。恶意代码样本分析的实验表明,该方法能够有效地提升分析效率,同时拥有较小的时间复杂度。