| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 目录 | 第9-11页 |
| 1 引言 | 第11-19页 |
| 1.1 选题背景 | 第11-14页 |
| 1.2 国内外Android系统安全研究现状 | 第14-15页 |
| 1.3 研究内容及意义 | 第15-16页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 研究意义 | 第16页 |
| 1.4 本文结构 | 第16-19页 |
| 2 Android系统安全机制及恶意代码检测分析 | 第19-33页 |
| 2.1 Android系统及其安全机制 | 第19-23页 |
| 2.2 Android恶意程序机制 | 第23-25页 |
| 2.3 Android恶意代码实现功能及方法 | 第25-27页 |
| 2.4 Android恶意代码检测技术 | 第27-30页 |
| 2.5 机器学习 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 3 Android应用恶意代码检测方案的设计 | 第33-47页 |
| 3.1 Android应用恶意代码检测方案的整体设计 | 第33-34页 |
| 3.2 恶意代码检测方案技术的介绍 | 第34-45页 |
| 3.2.1 静态分析技术 | 第34-35页 |
| 3.2.2 Python | 第35页 |
| 3.2.3 SHA-1算法 | 第35-36页 |
| 3.2.4 随机森林算法 | 第36-39页 |
| 3.2.5 神经网络算法 | 第39-45页 |
| 3.3 本章小结 | 第45-47页 |
| 4 恶意代码检测方案的实现 | 第47-55页 |
| 4.1 数据集介绍 | 第47-49页 |
| 4.1.1 样本采集 | 第47-48页 |
| 4.1.2 特征提取 | 第48页 |
| 4.1.3 数据整合 | 第48-49页 |
| 4.2 恶意检测 | 第49-54页 |
| 4.2.1 随机森林算法的实现 | 第49-50页 |
| 4.2.2 神经网络算法的实现 | 第50-54页 |
| 4.3 本章小结 | 第54-55页 |
| 5 实验与结果分析 | 第55-61页 |
| 5.1 恶意代码检测实验 | 第55页 |
| 5.2 实验与结果分析 | 第55-60页 |
| 5.2.1 评估效果标准 | 第55-56页 |
| 5.2.2 实验结果分析 | 第56-59页 |
| 5.2.3 漏报误报分析 | 第59-60页 |
| 5.3 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-71页 |
| 学位论文数据集 | 第71页 |