《表1 被混淆分支的位置》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《随机森林在程序分支混淆中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本节将对随机森林路径混淆方法进行安全性评估和效能评估.在安全性评估方面，本文考虑了常用的逆向分析方法，利用逆向分析工具分析被混淆的分支，通过分析结果评估混淆方法的安全性.在效能评估方面，本文在相同条件下对比了随机森林，SVM和神经网络混淆对程序效能的影响.为了得到贴近实际的评估，本文选取了SPECint-2006标准测试集中的6个由C语言编写的程序进行评估实验，分别是specrand、sjeng、mcf、lbm、bzip2和h264ref.对每个测试程序，随机选取了不同类型的路径分支，将每个分支条件输入集合通过非对称Feistel网络[34]加密并分割为多维向量作为混淆后的输入.随着随机森林内部决策树的规模增大，随机森林的预测准确性会逐渐提高，选取100作为内部决策树的数量是兼顾效率和预测准确率的选择[35，36]，因此用来混淆的随机森林含有100棵决策树.表1标明了被混淆的分支条件和其在源代码中的位置.