首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--一般性问题论文--安全保密论文

基于SVM的Android恶意应用检测技术研究

摘要第4-5页
Abstract第5页
第一章 绪论第11-17页
    1.1 研究背景和意义第11-12页
    1.2 研究现状第12-15页
        1.2.1 Android恶意应用静态检测方法第12页
        1.2.2 Android恶意应用动态检测方法第12-14页
        1.2.3 基于机器学习的分类检测方法第14页
        1.2.4 现有检测方法存在的不足第14-15页
    1.3 研究内容第15页
    1.4 论文组织结构第15-17页
第二章 Android安全架构与恶意应用分析第17-25页
    2.1 Android架构第17-18页
    2.2 Android系统安全机制第18-20页
        2.2.1 内核安全第18-19页
        2.2.2 运行环境安全第19页
        2.2.3 应用框架安全第19-20页
    2.3 Android恶意应用与安全威胁第20-22页
        2.3.1 Android恶意应用第20页
        2.3.2 Android恶意应用威胁第20-22页
    2.4 Android恶意应用行为触发第22-23页
        2.4.1 Android恶意应用逃避检测的新技术第22页
        2.4.2 Android恶意应用行为触发第22-23页
    2.5 本章小结第23-25页
第三章 基于行为模拟的应用程序功能遍历第25-39页
    3.1 Android应用组件与组件间交互第25-27页
        3.1.1 Android应用组件第25-26页
        3.1.2 Android应用组件交互第26-27页
    3.2 应用程序功能遍历的设计与实现第27-34页
        3.2.1 UI元素的获取第27-30页
            3.2.1.1 隐藏元素的获取第28-29页
            3.2.1.2 对话框和菜单处理第29-30页
        3.2.2 GUI遍历算法和遍历模型构建第30-32页
        3.2.3 用户行为模拟第32-33页
            3.2.3.1 控件定位第32-33页
            3.2.3.2 行为模拟第33页
        3.2.4 工具实现第33-34页
        3.2.5 相关研究第34页
    3.3 特征提取第34-37页
        3.3.1 Android应用行为特征分析第34-35页
        3.3.2 跟踪系统调用序列第35-37页
    3.4 本章小结第37-39页
第四章 基于SVM的Android应用分类第39-49页
    4.1 SVM分类模型第39-40页
    4.2 基于应用类别的样本数据集第40-43页
        4.2.1 Android应用市场第40-41页
        4.2.2 应用类别的划分第41-43页
    4.3 特征向量构建第43-44页
        4.3.1 基于系统调用频率的特征向量第43页
        4.3.2 基于系统调用依赖度的特征向量第43-44页
    4.4 SVM分类器的训练第44-46页
    4.5 恶意应用检测第46-47页
    4.6 本章小结第47-49页
第五章 Android恶意应用检测平台第49-59页
    5.1 平台架构第49-50页
        5.1.1 动态分析模块第49-50页
        5.1.2 特征解析模块第50页
        5.1.3 机器学习模块第50页
    5.2 实验环境第50-52页
    5.3 样本收集第52-53页
        5.3.1 良性应用样本获取第52-53页
        5.3.2 恶意应用样本获取第53页
        5.3.3 样本比例设置第53页
    5.4 实验流程第53-54页
    5.5 实验评估指标的定义第54-55页
    5.6 实验结果与分析第55-58页
    5.7 本章小结第58-59页
第六章 总结与展望第59-61页
致谢第61-63页
参考文献第63-69页
作者简历第69页

论文共69页,点击 下载论文
上一篇:网络舆情热点事件的情感倾向分析与演变过程研究
下一篇:基于RFID的M1卡安全防护技术研究