医学图像分割及恶意样本分类研究

image segmentation and fuzzy kernel clustering algorithm based on improved CVmodel is established,and then use the Spark of medical image for batch processing,finally through simulation experiments,the results show that the proposed methodachieves efficient and accurate segmentation.第一章绪论1.1论文选题背景1.1.1恶意软件分类选题背景Malware是运行在计算机上的，根据攻击者的意愿，在计算机系统上完成相关的任务的代码，是破坏计算计算安全的主要原因之一。由于恶意软件生成技术的不断更新，传统的人工恶意样本分类已经无法应对世界上每天产生的海量恶意软件，因此，如何有效地对恶意软件进行自动分类已经成为当下研究的热点。然而，目前的恶意代码分类技术尚具有诸多问题，需要相关安全人员不断地创新发展。在每天新产生的恶意代码中，很多都是源于之前的恶意代码，攻击者按照自己的需求，在原恶意代码的基础上进行增加或修改操作，进而形成新的恶意代码。这些新生成的恶意代码，通过攻击者的修改，往往具有绕过反病毒软件查杀的功能。因此，这些新生成的恶意代码与原恶意代码有相似之处，并且新生成的恶意代码之间也有相似之处。因此，本文提出了一个特征，能够对原恶意代码和新恶意代码之间的相似性进行判断，通过有效的分类，加快了杀毒系统对新生成的恶意软件的应对速度，从而减少了新生成恶意代码的反应周期。现阶段为应对各种新式恶意软件和尚未察觉的恶意软件的不断出现，在符合用户对测试程度、错误程度及周期响应程度的要求前提下，研发出机械化的恶意软件分类体系，非常具备主题研究意义。1.1.2医学图像分割选题背景随着大数据时代的到来以及医学图像规模的海量增长，借助医学图像展开有效分析，达到计算机辅助检测水平是目前医学图像研究的重要追求。Spark能够为医学图像分析提供大量的编程手段、数据集抽象以及先进的数据重用系统，能有效弥补Hadoop体制的较长周期问题，实现Map Reduce向弹性数据集内涵的过渡，并给予了Python、Scala、Java等三类API,进行不同系统的协调配合，且从整体资源考虑资源和工作内容的合理划分，提升了图像分析阶段的速度以及质量叫。