基于机器学习的Android恶意软件静态检测技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 主流检测技术介绍 | 第11-12页 |
| 1.2.2 静态检测的相关研究成果 | 第12-14页 |
| 1.3 本文组织结构 | 第14-17页 |
| 第2章 Android系统及恶意软件检测 | 第17-29页 |
| 2.1 Android系统概述 | 第17-23页 |
| 2.1.1 Android发展历程 | 第17-18页 |
| 2.1.2 Android系统组成 | 第18-19页 |
| 2.1.3 Android应用程序架构 | 第19-22页 |
| 2.1.4 Dalvik虚拟机 | 第22-23页 |
| 2.2 Android系统的安全机制 | 第23-25页 |
| 2.2.1 访问控制机制 | 第23页 |
| 2.2.2 沙箱机制 | 第23-24页 |
| 2.2.3 权限机制 | 第24页 |
| 2.2.4 签名机制 | 第24-25页 |
| 2.3 Android恶意软件检测 | 第25-28页 |
| 2.3.1 Android恶意软件分类 | 第25-26页 |
| 2.3.2 Android恶意软件静态检测技术 | 第26-27页 |
| 2.3.3 Android恶意软件动态检测技术 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于机器学习的恶意软件静态检测技术 | 第29-49页 |
| 3.1 整体检测方案设计 | 第29-31页 |
| 3.2 反编译技术及实现 | 第31-33页 |
| 3.2.1 Android安装文件 | 第31-32页 |
| 3.2.2 APK文件的反编译实现 | 第32-33页 |
| 3.3 静态特征提取及分析 | 第33-41页 |
| 3.3.1 传统静态特征的定义及生成 | 第33-36页 |
| 3.3.2 函数调用图特征的定义及生成 | 第36-41页 |
| 3.4 机器学习分类算法实现判别模型 | 第41-48页 |
| 3.4.1 机器学习概述 | 第41-42页 |
| 3.4.2 机器学习分类算法 | 第42-47页 |
| 3.4.3 恶意软件判别模型 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 实验结果及分析 | 第49-57页 |
| 4.1 实验平台及工具介绍 | 第49页 |
| 4.2 实验方案设计 | 第49-51页 |
| 4.2.1 实验样本 | 第49-50页 |
| 4.2.2 评价标准 | 第50页 |
| 4.2.3 方案设计 | 第50-51页 |
| 4.3 实验结果分析 | 第51-55页 |
| 4.3.1 传统静态特征实验结果分析 | 第51-52页 |
| 4.3.2 函数调用图特征实验结果分析 | 第52-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 其他工作 | 第57-61页 |
| 5.1 电器状态监测系统 | 第57-61页 |
| 5.1.1 研究背景 | 第57-58页 |
| 5.1.2 非侵入式电器状态监测方案 | 第58-59页 |
| 5.1.3 数据采集模块 | 第59-61页 |
| 第6章 总结和展望 | 第61-65页 |
| 6.1 本文工作总结 | 第61-62页 |
| 6.2 未来工作展望 | 第62-65页 |
| 参考文献 | 第65-69页 |
| 发表论文和参加科研情况说明 | 第69-71页 |
| 致谢 | 第71-72页 |
