李政廉，舒 輝，康 緋，趙亞新

（數(shù)學(xué)工程與先進計算國家重點實驗室，河南 鄭州450000）

0 引 言

傳統(tǒng)的惡意軟件檢測方法主要是基于特征碼的檢測，特征碼由特定長度的特征字段或者指令段構(gòu)成，通過靜態(tài)掃描惡意可執(zhí)行程序，對特征碼進行匹配，其優(yōu)點是效率高，誤報率低。特征碼檢測對于已經(jīng)識別的惡意代碼，具有非常好的檢測效果，但是往往惡意代碼的編寫者通過改變病毒的特征來逃避檢測，這也就決定了特征碼檢測對于未知惡意代碼的檢測效果很差。

利用API調(diào)用信息對惡意代碼進行分析是當(dāng)前的熱點方向之一。文獻 ［1］中，文章提出了一種基于API調(diào)用頻率的檢測方式，通過對敏感API的調(diào)用頻率進行分析，對行為的性質(zhì)進行判斷，能夠達到較好的檢測效果。但是，對于正常代碼中的重復(fù)循環(huán)調(diào)用，往往會影響檢測的結(jié)果。文獻 ［2］中使用API序列作為分析目標(biāo)，去除序列中與正常代碼重合的正確序列，提取出惡意代碼的自有特征序列作為判斷標(biāo)準(zhǔn)，也能夠達到較好的檢測效果。這種方法的不足是通過序列進行匹配，沒有分析參數(shù)對函數(shù)功能的影響，具有一定的局限性。還有很多人進行了類似的工作，如許敏、趙天福等［3］建立的攻擊樹模型、Kyoung－Soo Han［4］的API調(diào)用序列圖、章文等［5］的基于關(guān)聯(lián)規(guī)則的檢測方法，他們都沒有從API調(diào)用關(guān)系的角度深入分析調(diào)用關(guān)系，并不能全面準(zhǔn)確地反映惡意代碼的執(zhí)行過程。

本文對傳統(tǒng)的API序列分析方法加以拓展，采用基于API關(guān)聯(lián)性的行為分析方法，抽取惡意代碼的行為，并用層次化的惡意行為分析模型，提供多維度的分析結(jié)果，最終對惡意代碼的行為目標(biāo)和行為性質(zhì)進行判斷。

1 基于API關(guān)聯(lián)性的層次化分析模型

1.1 系統(tǒng)分析框架

文章通過建立層次化的行為模型實現(xiàn)對行為的分析。層次化分析模型由3個層次組成，分別是基本行為層、對象層以及進程層。基本行為層主要是針對動態(tài)二進制記錄的數(shù)據(jù)，抽取基本的行為信息，對象行為層是分析可執(zhí)行程序?qū)γ恳粋€操作目標(biāo)所進行的行為操作。進程層主要分析可執(zhí)行程序每個進程所進行的行為操作。從3個層次對行為進行分析，提供多維度行為分析視角。系統(tǒng)層次化分析如圖1所示。

圖1 系統(tǒng)層次化分析

1.2 基于關(guān)聯(lián)性的基本行為層分析

1.2.1 API定義

API是windows提供的實現(xiàn)系統(tǒng)特定功能的函數(shù)接口。通過對大量的windows API調(diào)用進行總結(jié)和抽象，得出API的核心特征由三部分組成，首先是API的功能范疇，即該API可以實現(xiàn)的功能，其次是API的對象信息，即API功能的實施對象，最后是API的特征數(shù)據(jù)信息，即API實現(xiàn)功能的輔助數(shù)據(jù)信息。此外，在實際執(zhí)行過程中，由于API執(zhí)行的先后順序不同，因此API還有時間屬性。

據(jù)此，可以定義API如下：APIApiName×Object－Information×FeatureData×TimeInformation，那么，對于特定api＝ （n，o，f，t）∈API，n∈ApiName，o∈ObjectInformation，f ∈FeatureData，t∈TimeInformation，該定義表示名稱為n的API參數(shù)對象信息是o，特征數(shù)據(jù)是f，在代碼執(zhí)行過程中的時間序列信息是t。

1.2.2 API間關(guān)聯(lián)性定義

API間關(guān)聯(lián)性是指API之間存在邏輯聯(lián)系。一般而言，一組連續(xù)的API調(diào)用之間，通過特定的核心數(shù)據(jù)結(jié)構(gòu)傳遞信息，該核心數(shù)據(jù)結(jié)構(gòu)即為API的對象信息。對象信息在形式上表現(xiàn)為句柄、對象名稱字符串以及上下文數(shù)據(jù)結(jié)構(gòu)等等。因此，API之間的關(guān)聯(lián)性可以定義為具有相同含義的對象信息。

對于API集合S，對于任意的m1＝ （n1，o1，f1，t1）∈S和m2＝（n2，o2，f2，t2）∈S，如果m1與m2所表示的操作對象相同，那么認(rèn)為o2＝o2。因此，可以定義關(guān)聯(lián)關(guān)系R，R＝｛（m1，m2）｜o1＝o2，m1∈S，m2∈S｝，表示m1和m2具有相同含義的對象信息，m1和m2存在關(guān)聯(lián)性。

1.2.3 行為的定義

行為是指完成特定功能的一組API的集合。完成特定功能的一組API之間并不是孤立的，而是存在關(guān)聯(lián)性。因此，可以將行為定義為從API信息到行為信息之間的映射，即

其中m1，m2…mn的定義域為代碼運行的API函數(shù)信息，action為這些API對應(yīng)的行為信息，那么，該函數(shù)就表示出了API序列與行為之間的聯(lián)系，只有當(dāng)特定的API函數(shù)序列以及參數(shù)滿足對應(yīng)的行為特征時，才能識別該序列對應(yīng)的行為信息。

action的核心特征由三部分組成，分別為API序列、行為操作的目標(biāo)以及行為的特征數(shù)據(jù)信息，以上信息都是從對應(yīng)的序列m1，m2…mn中抽取得到。API序列表示該行為的完整API序列。行為操作的目標(biāo)指行為為實現(xiàn)功能而進行的邏輯操作對象。特征數(shù)據(jù)是指表現(xiàn)相同類型行為之間區(qū)別的數(shù)據(jù)信息。據(jù)此，可以將行為定義為一個四元組action＝ （ApiSeqeunce，ObjectInformation，F(xiàn)eature－Data，ProcessInfo），其 中，ApiSequence 表 示 該 行 為 的API序列，ObjectInfomation表示該行為操作的，F(xiàn)eature－Data表示行為的特征數(shù)據(jù)信息，ProcessInfo表示行為的進程信息。

1.2.4 基本行為抽取

惡意代碼是實現(xiàn)特定惡意目標(biāo)的一組API序列，實現(xiàn)該目標(biāo)由若干基本的行為完成。行為抽取的目標(biāo)，就是從惡意代碼執(zhí)行的API序列中，抽取出這些基本的行為信息。行為抽取的過程，可以分為兩步，首先是對API集合進行劃分，然后是對每個子集進行行為抽取。

對API集合進行劃分就是將進行一個基本行為的API序列劃分到一個子集中。劃分的目的是將對特定對象操作的API劃分到一個集合中，便于提取。根據(jù)以上對API的定義以及關(guān)聯(lián)性的分析，可以通過關(guān)聯(lián)關(guān)系對全部的API序列進行劃分。

對于API集合S，從關(guān)聯(lián)關(guān)系的定義可知，關(guān)聯(lián)性關(guān)系R 滿足自反性、傳遞性以及對稱性，因此關(guān)聯(lián)關(guān)系R 為等價關(guān)系。依據(jù)該等價關(guān)系，可以對API集合S進行完全劃分為S1、S2、S3…Sn，即S＝S1∪S2∪S3…∪Sn，且Si∩Sj＝空集，i，j＝1，2…n。S1、S2、S3…Sn即為基本行為單元的API集合。

對于劃分出的集合Si，i∈1，2…n，根據(jù)其中的API序列m1，m2...mj的TimeInfo 進行排序，就可以得到有序的基本行為單元。然后可以將每個基本行為單元轉(zhuǎn)化為一個API向量，即

最終可執(zhí)行程序的全部API形成API矩陣，即

每種行為對應(yīng)的行為識別函數(shù)分別為f1，f2，f3…fk，那么行為識別函數(shù)f的識別矩陣可以定義如下即

然后進行運算，即可得出行為信息

經(jīng)過運算得到行為信息矩陣，每一個ActionSeti表示基本行為單元Si對應(yīng)的行為信息。

在此基礎(chǔ)上，對子集中元素的對象信息和特征數(shù)據(jù)信息，以及API的功能進行提取，作為行為的目標(biāo)和功能信息，完成構(gòu)建了行為的數(shù)據(jù)信息。

1.2.5 基本行為關(guān)聯(lián)樹模型以及算法設(shè)計

由于不同的API所包含的對象信息數(shù)量不同，按數(shù)據(jù)輸入輸出方向區(qū)分，可以分為引用對象信息與創(chuàng)建對象信息。根據(jù)API的定義，可以把ObjectInformation 定義為對象信息集合，那么對于一個API的對象信息集合ObjInfo＝ObjInfo＿in∪ObjInfo＿out，其中ObjInfo＿in 表示該API引用對象的集合，ObjInfo＿out表示該API輸出的對象集合。那么API的對象信息就可以分為以下5種情況。

表1 API類型

創(chuàng)建型API是創(chuàng)建了某個對象信息，會被后續(xù)的API進行引用，完成一組行為。引用創(chuàng)建型是一種過渡創(chuàng)建型API，在引用某個對象信息的同時，以此為基礎(chǔ)進一步創(chuàng)建新的邏輯對象信息。引用型是最常見的API，使用對象信息進行操作，不創(chuàng)建新的對象信息。結(jié)束型API表示當(dāng)前的對象操作結(jié)束。獨立型API不涉及對象信息，能夠獨立完成某項功能。因此在建立API關(guān)聯(lián)樹時，需要將4種情況分別處理，對應(yīng)不同的處理情況。

對API引用類型進行分類之后，還需要對進行API關(guān)聯(lián)的對象信息進行劃分，通過總結(jié)常見的API，主要把對象信息劃分為如下幾類，見表2。

根據(jù)劃分的API類型以及關(guān)聯(lián)對象類型，文章擬采用建立關(guān)聯(lián)信息樹的方法構(gòu)建API的關(guān)聯(lián)結(jié)構(gòu)。關(guān)聯(lián)信息樹，是結(jié)合程序執(zhí)行的流程特征設(shè)計的關(guān)聯(lián)數(shù)據(jù)結(jié)構(gòu)，關(guān)聯(lián)樹的根節(jié)點代表當(dāng)前的可執(zhí)行程序，根節(jié)點的兒子節(jié)點是可執(zhí)行程序處理的對象信息，對象信息節(jié)點下的兒子節(jié)點若為引用創(chuàng)建型節(jié)點，那么該節(jié)點的兒子節(jié)點可以包含對象信息節(jié)點，其余API節(jié)點下無兒子節(jié)點。如圖2所示。

表2 關(guān)聯(lián)對象類型

圖2 關(guān)聯(lián)樹

API關(guān)聯(lián)樹的建立算法如下：

步驟1 讀取API數(shù)據(jù)，提取對象信息，若數(shù)據(jù)處理結(jié)束，轉(zhuǎn)到步驟4；否則轉(zhuǎn)到步驟2。

步驟2 根據(jù)API類型，執(zhí)行對應(yīng)操作：若為引用型，則首先搜索對象信息節(jié)點并判斷是否具有結(jié)束標(biāo)記，搜索到，添加作為兒子節(jié)點；搜索不到或者對象有結(jié)束標(biāo)記，則在根節(jié)點下添加對象節(jié)點，同時將API作為兒子節(jié)點添加到該節(jié)點下。

若為創(chuàng)建型，則將對象信息添加到根節(jié)點下，同時將API作為兒子節(jié)點添加到該節(jié)點下。若為引用創(chuàng)建型，則搜索對應(yīng)的對象信息節(jié)點，添加到該節(jié)點下作為兒子節(jié)點。如果沒有搜索到，那么在根節(jié)點下添加對象信息節(jié)點，然后將API作為兒子節(jié)點插入到該節(jié)點下。若為結(jié)束型，則搜索對象的對象信息節(jié)點，添加到該節(jié)點下作為兒子節(jié)點，同時將為該對象添加操作結(jié)束標(biāo)志。若為獨立型，則將API直接添加到另外獨立API關(guān)聯(lián)樹下，單獨處理。

步驟3 轉(zhuǎn)到步驟1繼續(xù)讀取數(shù)據(jù)。

步驟4 抽取每個對象的API信息，建立行為矩陣進行行為識別。

步驟5 抽取每個行為對應(yīng)的特征數(shù)據(jù)信息。

步驟6 處理結(jié)束。

通過以上步驟，就可以建立了可執(zhí)行程序的行為關(guān)聯(lián)樹模型，并完成行為信息抽取。最終的行為結(jié)果表示為ActionView （Object）＝ ｛api｜objinfo＝Object｝。

1.2.6 相關(guān)數(shù)據(jù)結(jié)構(gòu)

關(guān)聯(lián)樹的核心數(shù)據(jù)結(jié)構(gòu)是對象節(jié)點的數(shù)據(jù)結(jié)構(gòu)，用于存放該節(jié)點下子樹所包含的行為信息。關(guān)聯(lián)樹中的對象節(jié)點中，存放處理過程中的對象信息、行為信息以及額外信息節(jié)點，具體節(jié)點信息如下：

其中ObjInfo是存放被節(jié)點的對象信息，vecActionInfo容器用來存放行為信息，對于行為中存在的非對象類型的重要數(shù)據(jù)信息，存放在pData中，pData的類型用dwData－Type表示，例如枚舉進程行為中獲取的進程信息、文件搜索行為的文件信息等，或者其他某些行為所需額外的特定信息。

2 對象層分析

2.1 對象關(guān)聯(lián)

根據(jù)行為的定義可知，行為的特征包括對象信息、API序列以及特征數(shù)據(jù)3部分。其中，對象信息是決定行為劃分的核心特征。因此，對于不同行為之間的關(guān)聯(lián)，也需要分析不同行為間對象的聯(lián)系。

對象關(guān)聯(lián)是指不同的行為的對象信息都指向相同的實體對象或者邏輯對象。一般而言，對象關(guān)聯(lián)產(chǎn)生的原因主要有兩方面，一方面是是由于對同一實體對象的不同表述方式，另一方面是由于使用特定方式對原來的對象進行復(fù)制移動之后產(chǎn)生新的對象。對于第一種情況，是由于對象描述的多樣性，一個對象信息可以有多個屬性，包括名稱、句柄等等，不同的行為操作可以通過操作不同的屬性信息，達到操作對象的目的，而本質(zhì)上行為都是發(fā)生在同一對象上的。第2種情形，是發(fā)生在對象進行移動復(fù)制，導(dǎo)致原有的對象屬性信息發(fā)生變化，但是對象內(nèi)容是相同的，例如被移動的文件等，另外，對對象的某個屬性信息進行復(fù)制，也可以達到復(fù)制對象的效果，例如DuplicateHandle實現(xiàn)Handle屬性的復(fù)制。

在實際分析過程中，由于對象數(shù)據(jù)信息不同，因此直接進行數(shù)據(jù)分析是不能提取出對象關(guān)聯(lián)信息的，所以分析對象關(guān)聯(lián)，需要對具有對象復(fù)制或者移動功能的函數(shù)進行分析追蹤。對象關(guān)聯(lián)如圖3所示。

對于任 意 的2 個 基 本 行 為action1＝ （sequence1，objinfo1，feadata1，procinfo1）以 及action2＝ （sequence2，objinfo2，feadata2，procinfo2），如果2 個行為之間存在對象關(guān)聯(lián)，那么定義為objinfo1≈objinfo2。

圖3 對象關(guān)聯(lián)

2.2 數(shù)據(jù)關(guān)聯(lián)

數(shù)據(jù)關(guān)聯(lián)是指不同的行為之間存在重要數(shù)據(jù)引用關(guān)系。數(shù)據(jù)關(guān)聯(lián)產(chǎn)生的主要原因是由于在不同的API中數(shù)據(jù)屬性不相同造成的。對于API本身而言，所有的數(shù)據(jù)都是統(tǒng)一處理，但是，在行為分析過中，需要將數(shù)據(jù)區(qū)分為對象信息數(shù)據(jù)與非對象信息數(shù)據(jù)進行處理，進而抽取行為。這樣也就造成了在某一行為的API序列中的非對象信息數(shù)據(jù)，在其他行為中是對象信息數(shù)據(jù)，這樣也就造成了2個行為之間的數(shù)據(jù)關(guān)聯(lián)。常見的情況，例如文件搜索行為搜索到的結(jié)果信息，在文件讀寫行為中，就會作為對象信息進行讀寫操作。數(shù)據(jù)關(guān)聯(lián)如圖4所示。

圖4 數(shù)據(jù)關(guān)聯(lián)

對于任意 的2 個 基 本 行 為action1＝ （sequence1，objinfo1，feadata1，procinfo1）以 及action2＝ （sequence2，objinfo2，feadata2，procinfo2），如果action1中的特征數(shù)據(jù)中包含action2的對象信息，2個行為存在數(shù)據(jù)關(guān)聯(lián)，那么定義為objinfo2∈feadata1。

2.3 對象層分析結(jié)果的抽取

對于分析的基本行為，進行對象層抽象分析。對于任意的2個基本行為action1＝ （sequence1，objinfo1，feadata1，procinfo1） 以 及action2＝ （sequence2，objinfo2，feadata2，procinfo2），如果2 個行為之間存在對象關(guān)聯(lián)，即objinfo1≈objinfo2，或者存在數(shù)據(jù)關(guān)聯(lián)，即objinfo1∈feadata2，或者objinfo2∈feadata1，則2個行為的操作對象具有關(guān)聯(lián)性，那么針對Object對象的對象層結(jié)果如下：

ActionObjectView （Object）＝ ｛action｜objinfo＝Object或objinfo≈Object或Object∈feadata｝。

3 進程層行為分析

由于大多數(shù)惡意代碼在運行過程中，有可能會釋放出很多可執(zhí)行程序，不同的可執(zhí)行程序完成不同的功能。為進一步分析惡意代碼不同模塊之間的關(guān)聯(lián)，需要進行進程級行為分析。進程層分析，是通過將不同進程下的行為進行抽象提取，抽取出進程的行為信息，為進程級的行為分析提供基礎(chǔ)。

進程級行為描述，主要包括進程的操作對象以及操作行 為， 即 ProcActionView ＝ （ProcObjSet，ProcAction Set）。提取進程的行為主要分兩部分進行，第1 步是收集進程的操作對象，第2步是收集進程的行為信息。

對于進程exe收集其對象信息，任意行為action＝ （sequence，objinfo，feadata，procinfo），如 果procinfo＝exe，那么就將objinfo 添加到進程對象集合ProcObjSet中，收集所有行為的對象信息后，最終的ProcObjSet即為該進程的對象信息。

對于進程的行為信息ProcActionSet，就是要將屬于進程exe的行為添加到其中，即ProcActionSet＝ ｛Action｜procinfo＝exe｝。

通過以上步驟，即可提取到進程級的行為信息，提供了進程的操作對象以及進程內(nèi)的行為信息，便于在進程的角度分析進程間行為。

4 系統(tǒng)實現(xiàn)結(jié)構(gòu)

本文的惡意代碼行為分析原型系統(tǒng)，主要由動態(tài)二進制平臺、API關(guān)聯(lián)與行為分析模塊、行為間關(guān)聯(lián)性分析模塊以及結(jié)果分析模塊四部分構(gòu)稱，具體如圖5所示。

本系統(tǒng)通過在硬件模擬平臺上運行虛擬操作系統(tǒng)windows XP，然后將動態(tài)二進制跟蹤平臺部署其中，相信跟蹤記錄惡意代碼執(zhí)行過程中的API序列以及數(shù)據(jù)信息。

基本行為分析模塊，首先是對記錄的API數(shù)據(jù)進行時間序列分析，確保執(zhí)行序列的邏輯有序。然后通過API描述文件對每一個API以及其數(shù)據(jù)信息進行解析，提出對象參數(shù)以及特征數(shù)據(jù)，然后通過關(guān)聯(lián)算法，建立API關(guān)聯(lián)樹，并抽取基本行為信息。

深度行為分析模塊，首先對基本行為進行數(shù)據(jù)關(guān)聯(lián)和對象關(guān)聯(lián)性分析，從對象層和進程層對行為進行抽取，對基本行為進行進一步關(guān)聯(lián)和綜合。

結(jié)果分析模塊，結(jié)果分析模塊主要是對以上步驟的分析結(jié)果進行整理分析，同時通過基本行為信息與深度行為信息，對行為的性質(zhì)做出判斷。

圖5 系統(tǒng)設(shè)計與實現(xiàn)

5 實驗結(jié)果

為了驗證系統(tǒng)對惡意行為的分析結(jié)果，從國內(nèi)知名病毒論壇選取了最新收集的樣本包。通過實際分析表明，系統(tǒng)能夠?qū)崿F(xiàn)對惡意代碼的行為分析，并做出行為性質(zhì)判定，具有較高準(zhǔn)確率。

樣本測試過程，選取了521 個惡意樣本與473 個正常軟件來驗證實驗結(jié)果。

下面以其中一例的分析結(jié)果來說明，如圖6 所示。從關(guān)聯(lián)的結(jié)果中可以看出，結(jié)果中列舉了進程1.exe的行為，行為的類型包括FileAction、RegAction、ProcessAction、ServAction以及OtherAction五類，分別表示文件行為、注冊表行為、進程行為、服務(wù)行為以及其他行為。具體行為如圖6所示。

圖6 行為抽取結(jié)果

經(jīng)手工動態(tài)調(diào)試分析，結(jié)果正確。說明系統(tǒng)基本能夠?qū)崿F(xiàn)行為抽取分析功能。

6 結(jié)束語

本文提出了一種基于API關(guān)聯(lián)性分析的層次化惡意行為分析方法。相對于傳統(tǒng)的API分析方法，結(jié)合了API調(diào)用參數(shù)的分析，實現(xiàn)了對惡意代碼行為和功能的抽取和分析，彌補了傳統(tǒng)序列分析中對參數(shù)分析的不足，同時提供了層次化的分析結(jié)果，便于理解和分析惡意代碼的功能，可以很大程度縮減惡意代碼的分析周期，為分析人員提供重要參考，具有較強的實踐意義。

［1］BAI Jinrong，WANG Junfeng，ZHAO Zongqu，et al.Malware detection method based on sensitive Native API ［J］.Computer Engineering，2012，38 （13）：9－12 （in Chinese）.［白金榮，王俊峰，趙宗渠，等.基于敏感Native API的惡意軟件檢測方法 ［J］.計算機工程，2012，38 （13）：9－12.］

［2］Kyoung－Soo Han，In－Kyoung Kim，Eul Gyu Im.Malware classification methods using API sequence characteristics［C］／／Proceedings of the International Conference on IT Convergence and Security，2011：613－626.

［3］XU Min，ZHAO Tianfu.Malicious code detection method based on behavior character ［J］.Network ＆ Information，2009，23 （6）：14－16 （in Chinese）.［許敏，趙天福.基于行為特征的惡意代碼檢測方法 ［J］.網(wǎng)絡(luò)與信息，2009，23（6）：14－16.］

［4］Kyoung－Soo Han，In－Kyoung Kim，Eul Gyu Im.Detection methods for malware variant using API call related graphs［C］／／Proceedings of the International Conference on IT Convergence and Security，2011：608－611.

［5］ZHANG Wen，ZHENG Quan，SHUAI Jianmei，et al.New malicious executables detection based on association rules［J］.Computer Engineering，2008，34 （24）：172－174 （in Chinese）.［章文，鄭烇，帥建梅，等.基于關(guān)聯(lián)規(guī)則的位置惡意程序檢測技術(shù)［J］.計算機工程，2008，34 （24）：172－174.］

［6］YAO Xinlei，PANG Jianmin，YUE Feng，et al.Code similarity analysis based on API dependence relation ［J］.Computer Engineering，2013，39 （1）：80－84 （in Chinese）. ［姚新磊，龐建民，岳峰，等.基于API依賴關(guān)系的代碼相似度分析［J］.計算機工程，2013，39 （1）：80－84.］

［7］LIU Shuai，WU Yanxia，MA Chunguang，et al.Method of unknown virus detection based on analysis of Win32API behaviors［J］.Computer Engineering and Applications，2011，47（27）：119－122 （in Chinese）. ［劉帥，吳艷霞，馬春光，等.采用Win32API相關(guān)行為分析的未知病毒檢測方法 ［J］.計算機工程與應(yīng)用，2011，47 （27）：119－122.］

［8］HAN Lansheng，GAO Kunlun，ZHAO Baohua，et al.Behavior detection of malware based on combination of API function and its parameters［J］.Computer Application and Research，2013，30（11）：3407－3410（in Chinese）.［韓蘭勝，高昆侖，趙保華，等.基于API函數(shù)及其參數(shù)相結(jié)合的惡意軟件行為檢測 ［J］.計算機應(yīng)用研究，2013，30 （11）：3407－3410.］

［9］Han Lansheng，F(xiàn)u Cai，Zou Deqing，et al.Task－based behavior detection of illegal codes ［J］.Mathematical and Computer Modelling，2012，55 （1）：80－86.

［10］Seifert C，Welch I，Komisarczuk P.Identification of malicious web pages with static heuristics ［C］／／Proceedings of the Australasian Telecommunication Networks and Applications Conference，2008：91－96.