基于多特征信息增益的Android恶意软件检测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 文章内容及结构 | 第18-21页 |
| 第二章 相关基础理论 | 第21-31页 |
| 2.1 恶意软件 | 第21-22页 |
| 2.2 恶意软件分析技术 | 第22-24页 |
| 2.2.1 反编译技术 | 第22-23页 |
| 2.2.2 动态分析 | 第23页 |
| 2.2.3 静态分析 | 第23-24页 |
| 2.3 机器学习 | 第24-29页 |
| 2.3.1 特征选择 | 第25-27页 |
| 2.3.2 分类算法 | 第27-29页 |
| 2.4 相关工具 | 第29页 |
| 2.4.1 Apktool | 第29页 |
| 2.4.2 Weka | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于信息增益的检测方案设计 | 第31-47页 |
| 3.1 改进的Android恶意软件检测方案 | 第31-33页 |
| 3.2 基于manifest的静态分析 | 第33-40页 |
| 3.2.1 应用清单 | 第34-35页 |
| 3.2.2 特征属性 | 第35-39页 |
| 3.2.3 向量空间 | 第39-40页 |
| 3.3 基于信息增益的特征选择 | 第40-43页 |
| 3.3.1 信息熵 | 第40-41页 |
| 3.3.2 信息增益 | 第41-43页 |
| 3.4 基于KNN的检测方法 | 第43-44页 |
| 3.5 本章小结 | 第44-47页 |
| 第四章 基于信息增益的检测方案实现 | 第47-67页 |
| 4.1 提取特征 | 第47-53页 |
| 4.1.1 APK逆向处理 | 第47-49页 |
| 4.1.2 获取属性值 | 第49-51页 |
| 4.1.3 构成特征集 | 第51-53页 |
| 4.2 构造最优特征子集 | 第53-57页 |
| 4.2.1 计算信息熵 | 第53-54页 |
| 4.2.2 计算条件熵 | 第54-55页 |
| 4.2.3 计算信息增益 | 第55-57页 |
| 4.3 训练模型 | 第57-61页 |
| 4.3.1 预处理 | 第57-59页 |
| 4.3.2 建立模型 | 第59-61页 |
| 4.4 实验结果与分析 | 第61-65页 |
| 4.4.1 实验数据 | 第61-62页 |
| 4.4.2 评价标准 | 第62-63页 |
| 4.4.3 实验结果 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
