| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文主要内容 | 第11-12页 |
| 1.4 论文章节安排 | 第12-13页 |
| 第二章 安卓安全机制与恶意软件检测技术的研究 | 第13-20页 |
| 2.1 安卓安全机制 | 第13-16页 |
| 2.1.1 Android系统架构 | 第13-14页 |
| 2.1.2 Android安全机制 | 第14-15页 |
| 2.1.3 SE Android | 第15-16页 |
| 2.1.4 Android应用安全解决方案 | 第16页 |
| 2.2 恶意软件检测技术 | 第16-18页 |
| 2.2.1 静态检测技术概述 | 第16-17页 |
| 2.2.2 静态检测技术关键特征 | 第17页 |
| 2.2.3 动态检测技术概述 | 第17-18页 |
| 2.2.4 动静态混合检测技术概述 | 第18页 |
| 2.3 恶意软件检测技术的选择 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于信息增益与集成学习的安卓恶意软件检测方法 | 第20-27页 |
| 3.1 基于信息增益与集成学习的安卓恶意软件检测算法设计 | 第20-23页 |
| 3.1.1 模型设计 | 第20页 |
| 3.1.2 特征获取 | 第20-21页 |
| 3.1.3 特征选择与分类算法 | 第21-23页 |
| 3.2 实验与结果分析 | 第23-26页 |
| 3.2.1 实验环境 | 第23-24页 |
| 3.2.2 实验过程 | 第24-25页 |
| 3.2.3 结果分析 | 第25-26页 |
| 3.3 本章小结 | 第26-27页 |
| 第四章 基于卷积神经网络的安卓恶意软件检测方法 | 第27-32页 |
| 4.1 深度学习在检测方面的技术发展 | 第27-28页 |
| 4.2 基于卷积神经网络的检测方法与背景 | 第28-29页 |
| 4.2.1 特征提取 | 第28页 |
| 4.2.2 基于卷积神经网络的检测方法 | 第28页 |
| 4.2.3 反向传播 | 第28-29页 |
| 4.3 实验结果与分析 | 第29-31页 |
| 4.3.1 与N-gram检测效率的比较 | 第29页 |
| 4.3.2 学习曲线 | 第29-30页 |
| 4.3.3 实验结果对比 | 第30-31页 |
| 4.4 本章小结 | 第31-32页 |
| 第五章 基于长短时记忆的安卓恶意软件检测方法 | 第32-41页 |
| 5.1 基于长短时记忆的安卓恶意软件检测算法设计 | 第32-36页 |
| 5.1.1 模型设计 | 第32页 |
| 5.1.2 静态特征选择 | 第32-34页 |
| 5.1.3 长短时记忆算法 | 第34-35页 |
| 5.1.4 前向反馈 | 第35页 |
| 5.1.5 反向传播 | 第35-36页 |
| 5.2 实验过程与分析 | 第36-39页 |
| 5.2.1 向量转换 | 第36页 |
| 5.2.2 软硬件准备 | 第36页 |
| 5.2.3 参数选择 | 第36-37页 |
| 5.2.4 实验结果分析 | 第37-39页 |
| 5.3 本章小结 | 第39-41页 |
| 第六章 总结与展望 | 第41-43页 |
| 6.1 本文总结 | 第41-42页 |
| 6.2 未来展望 | 第42-43页 |
| 参考文献 | 第43-46页 |
| 发表论文和科研情况说明 | 第46-47页 |
| 致谢 | 第47页 |