基于混合特征的iOS应用程序安全性评估方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-15页 |
| 第2章 IOS系统安全机制及应用程序安全分析 | 第15-27页 |
| 2.1 IOS系统基础 | 第15-16页 |
| 2.1.1 iOS系统安全架构 | 第15-16页 |
| 2.2 IOS安全机制 | 第16-21页 |
| 2.2.1 安全启动链机制 | 第16-17页 |
| 2.2.2 代码签名 | 第17-18页 |
| 2.2.3 地址空间布局随机化 | 第18页 |
| 2.2.4 数据加密与保护 | 第18-19页 |
| 2.2.5 iOS系统新安全机制 | 第19-21页 |
| 2.3 IOS恶意应用程序 | 第21-22页 |
| 2.3.1 典型iOS恶意应用和攻击 | 第21-22页 |
| 2.4 IOS应用程序分析技术 | 第22-25页 |
| 2.4.1 静态检测 | 第22-23页 |
| 2.4.2 动态检测 | 第23-24页 |
| 2.4.3 混合检测 | 第24页 |
| 2.4.4 检测方法的选择 | 第24-25页 |
| 2.5 深度学习概论 | 第25-26页 |
| 2.5.1 机器学习概论 | 第25页 |
| 2.5.2 典型机器学习算法 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于混合特征的检测技术 | 第27-43页 |
| 3.1 IOS恶意应用静态分析 | 第28-33页 |
| 3.1.1 敏感API分类 | 第28-29页 |
| 3.1.2 反编译提取敏感API | 第29-32页 |
| 3.1.3 静态特征处理及表示 | 第32-33页 |
| 3.2 IOS恶意应用动态分析 | 第33-35页 |
| 3.2.1 Tweak、Hook敏感 API | 第33-35页 |
| 3.2.2 iOS动态特征处理及表示 | 第35页 |
| 3.3 IOS恶意应用数据分析 | 第35-39页 |
| 3.3.1 Charles | 第36-37页 |
| 3.3.2 SSL数据捕获 | 第37-39页 |
| 3.3.3 iOS数据分析特征表示 | 第39页 |
| 3.4 敏感API行为调用序列分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于深度学习的异常应用程序检测模型 | 第43-53页 |
| 4.1 卷积神经网络 | 第43-47页 |
| 4.1.1 卷积神经网络结构 | 第44-45页 |
| 4.1.2 卷积运算和神经网络训练 | 第45-47页 |
| 4.2 深度学习中常见问题及解决方案 | 第47-50页 |
| 4.2.1 梯度消失和梯度爆炸 | 第47-48页 |
| 4.2.2 深度网络难以训练 | 第48-49页 |
| 4.2.3 过拟合问题 | 第49-50页 |
| 4.3 基于SOFTMAX 的分类模型 | 第50-51页 |
| 4.4 基于卷积神经网络的分类模型 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 IOS应用程序安全性评估模型 | 第53-61页 |
| 5.1 模型概述与意义 | 第53-54页 |
| 5.2 恶意性行为与特征的定义 | 第54页 |
| 5.3 恶意性的量化与评估 | 第54-55页 |
| 5.4 实验评估 | 第55-60页 |
| 5.4.1 测试环境及恶意样本 | 第55-57页 |
| 5.4.2 基于 softmax 模型测试 | 第57页 |
| 5.4.3 基于卷积神经网络模型测试 | 第57-58页 |
| 5.4.4 样本测试实验结果 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 结论与展望 | 第61-63页 |
| 6.1 结论 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间参加的科研项目和成果 | 第68页 |
