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 |