信息时代的来临,使网络来到我们每个人的身边。而病毒、蠕虫、木马等恶意代码,也随着网络经济的蓬勃而迅猛发展。网络安全和人身安全对网民而言一样重要。恶意代码检测系统使用的检测技术,主要有特征码扫描和行为特征检测等,商业中主要应用基于特征比对的静态判定方法。然而目前大多数方法提取的特征都包含大量冗余特征。机器学习的方法是近年来恶意代码检测的一个方向,也取得了较好的成果。码表理论目前广泛应用于图像压缩领域,比如智能视频监控系统中稀疏编码算法的应用,这类似于机器学习中模式分类问题,也是目前研究的热点。行人的检测问题被看作是一个二分类问题,分类的最终目的是区分出行人或非行人。这与恶意代检测有很多类似之处。码表理论的核心就是生成码书,采用机器学习的方式直接对样本的原始信息进行相应处理,使处理的结果具备一定规律和有序的结构,且能完全表达出原始信息的结构本质。码书的设计实际上就是解决如何选择有代表性的矢量作为码字来尽可能精确表示整个矢量空间。图像空间中为了实现压缩的目的,要对相似或相近的点进行代表选取,而要从海量的指令特征集中选取那些最具代表性的特征码也要进行类似的代表选取。本文将码书应用于恶意代码检测领域,使恶意代码样本经过码书处理后含有尽可能少的特征向量。稀疏化的特征向量能完全表达出原有样本的性质,去除掉部分冗余特征。根据恶意代码的结构特征进行分析与分类,实验中取得了良好的效果。可以对已知的恶意代码进行检测,对未知的恶意代码也有一定的检测能力。