| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.2 国内外研究情况 | 第16-19页 |
| 1.3 主要研究内容 | 第19页 |
| 1.4 论文章节安排 | 第19-21页 |
| 第2章 Android理论基础 | 第21-33页 |
| 2.1 Android系统架构 | 第21-24页 |
| 2.2 APK文件结构 | 第24-25页 |
| 2.3 Android四大组件 | 第25-28页 |
| 2.4 Dalvik虚拟机 | 第28页 |
| 2.5 Android NDK机制 | 第28-31页 |
| 2.5.1 JNI与NDK | 第28-29页 |
| 2.5.2 ELF文件与动态链接 | 第29-30页 |
| 2.5.3 NDK的作用 | 第30-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第3章 应用特征提取的设计实现与特征筛选 | 第33-47页 |
| 3.1 Android应用的恶意行为分析 | 第33-35页 |
| 3.1.1 恶意应用的权限分析 | 第33-34页 |
| 3.1.2 Native层的恶意分析 | 第34-35页 |
| 3.2 Android恶意应用检测工具的整体架构 | 第35-36页 |
| 3.3 特征的提取 | 第36-39页 |
| 3.3.1 权限特征的提取 | 第36-37页 |
| 3.3.2 System_apis特征的提取 | 第37-38页 |
| 3.3.3 Native_apis的提取 | 第38-39页 |
| 3.3.4 构造完整的特征向量 | 第39页 |
| 3.4 基于深度信念网络的恶意应用分类器 | 第39-44页 |
| 3.4.1 DBN的网络结构 | 第40-42页 |
| 3.4.2 激励函数和Dropout | 第42-44页 |
| 3.5 基于卡方检验和随机森林的特征筛选 | 第44-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第4章 实验结果分析与轻量级工具的实现 | 第47-61页 |
| 4.1 实验设置 | 第47-49页 |
| 4.1.1 实验环境与数据集 | 第47-48页 |
| 4.1.2 评价指标 | 第48-49页 |
| 4.2 实验整体结果与时间统计 | 第49-50页 |
| 4.3 原生代码特征的相关对比 | 第50-52页 |
| 4.3.1 加入Native_apis特征前后的效果直观对比 | 第50-51页 |
| 4.3.2 Native_apis平均种类数对比 | 第51-52页 |
| 4.4 DBN算法和机器学习算法的对比 | 第52-54页 |
| 4.5 与其他工具的对比 | 第54-55页 |
| 4.6 基于随机森林特征筛选的轻量级工具实现 | 第55-59页 |
| 4.6.1 随机森林与卡方检验对比 | 第56-57页 |
| 4.6.2 排序前列特征分析 | 第57-59页 |
| 4.7 本章小结 | 第59-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 本文工作的总结 | 第61页 |
| 5.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 在读期间发表的学术论文与取得的研究成果 | 第69页 |