| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-20页 |
| 1.3 主要研究内容 | 第20页 |
| 1.4 课题来源与内容组织 | 第20-22页 |
| 1.4.1 课题来源 | 第20页 |
| 1.4.2 内容组织 | 第20-22页 |
| 第二章 相关基础知识 | 第22-27页 |
| 2.1 Android恶意软件 | 第22-23页 |
| 2.1.1 Android恶意软件的主要行为 | 第22-23页 |
| 2.1.2 Android恶意软件侵入手机的方式 | 第23页 |
| 2.2 特征选择 | 第23-25页 |
| 2.2.1 封装式特征选择 | 第24页 |
| 2.2.2 过滤式特征选择 | 第24页 |
| 2.2.3 嵌入式特征选择 | 第24-25页 |
| 2.3 概念漂移 | 第25-27页 |
| 第三章 基于马尔科夫毯的Android恶意软件检测方法 | 第27-47页 |
| 3.1 在Android恶意软件检测中所使用的特征 | 第27-30页 |
| 3.1.1 基于权限的特征 | 第27页 |
| 3.1.2 基于Action的特征 | 第27-28页 |
| 3.1.3 基于代码的特征 | 第28-29页 |
| 3.1.4 Android应用中特征的提取与量化 | 第29-30页 |
| 3.2 马尔科夫毯与特征相关性 | 第30-34页 |
| 3.2.1 马尔科夫毯相关概念及定义 | 第30-33页 |
| 3.2.2 特征的相关性 | 第33-34页 |
| 3.3 马尔科夫毯学习过程 | 第34-36页 |
| 3.3.1 马尔科夫毯中父子结点的获取 | 第34-35页 |
| 3.3.2 马尔科夫毯中配偶结点的获取 | 第35-36页 |
| 3.4 支持向量机 | 第36-37页 |
| 3.5 实验结果与分析 | 第37-46页 |
| 3.5.1 数据源 | 第37-38页 |
| 3.5.2 马尔科夫毯的学习结果与分析 | 第38-40页 |
| 3.5.3 实验结果评价指标 | 第40-41页 |
| 3.5.4 与特征全集的对比 | 第41-42页 |
| 3.5.5 与贝叶斯方法的对比 | 第42-44页 |
| 3.5.6 与其他基于特征选择检测方法的对比 | 第44-45页 |
| 3.5.7 与Drebin的对比 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 Android恶意软件检测中的概念漂移问题及解决方法 | 第47-66页 |
| 4.1 Android恶意软件检测中的概念漂移现象 | 第47-48页 |
| 4.2 解决方法 | 第48-53页 |
| 4.2.1 基于流数据的朴素贝叶斯分类器 | 第48-49页 |
| 4.2.2 特征选择 | 第49-51页 |
| 4.2.3 随机贝叶斯集成学习模型 | 第51-53页 |
| 4.3 实验结果与分析 | 第53-65页 |
| 4.3.1 数据源 | 第53-54页 |
| 4.3.2 特征集 | 第54页 |
| 4.3.3 NBSC算法性能分析 | 第54-58页 |
| 4.3.4 ENBSC算法性能分析 | 第58-60页 |
| 4.3.5 概念漂移检测 | 第60-63页 |
| 4.3.6 Android恶意软件检测中的概念漂移分析 | 第63-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第73-75页 |
