基于深度学习的智能手机入侵检测系统的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-18页 |
| 1.1 研究目的及背景 | 第11-13页 |
| 1.1.1 入侵检测的发展历程 | 第12页 |
| 1.1.2 手机安全研究现状 | 第12-13页 |
| 1.1.3 深度学习的发展现状 | 第13页 |
| 1.2 实验平台介绍 | 第13-16页 |
| 1.2.1 Android系统的发展 | 第13-15页 |
| 1.2.2 Android平台的优势 | 第15-16页 |
| 1.3 研究意义 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 2 ANDROID入侵检测技术相关理论知识 | 第18-22页 |
| 2.1 入侵检测系统相关知识 | 第18-20页 |
| 2.1.1 入侵检测概念 | 第18页 |
| 2.1.2 入侵检测的基本结构 | 第18-19页 |
| 2.1.3 入侵检测系统的分类 | 第19-20页 |
| 2.2 Android入侵检测技术的发展 | 第20-21页 |
| 2.2.1 相关研究 | 第20-21页 |
| 2.2.2 下一步研究方向 | 第21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 一种基于深度学习的入侵检测模型 | 第22-35页 |
| 3.1 深度学习 | 第22-32页 |
| 3.1.1 稀疏自动编码器 | 第22-23页 |
| 3.1.2 深度信念网络 | 第23-28页 |
| 3.1.3 递归神经网络 | 第28-30页 |
| 3.1.4 AlexNet模型 | 第30-32页 |
| 3.2 基于深度学习的入侵检测模型 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4 数据采集与入侵检测实验分析 | 第35-61页 |
| 4.1 数据的选取 | 第35-37页 |
| 4.2 环境搭建 | 第37-39页 |
| 4.3 数据采集 | 第39-42页 |
| 4.3.1 特定进程网络数据包采集 | 第39-40页 |
| 4.3.2 静态分析数据采集 | 第40-42页 |
| 4.4 数据预处理 | 第42-44页 |
| 4.4.1 特定进程的网络数据包处理 | 第42-43页 |
| 4.4.2 静态分析数据处理 | 第43-44页 |
| 4.5 数据集 | 第44-47页 |
| 4.5.1 网络数据包 | 第44-46页 |
| 4.5.2 静态分析数据 | 第46-47页 |
| 4.6 入侵检测实验结果及分析 | 第47-60页 |
| 4.6.1 基于SAE的入侵检测实验 | 第48-49页 |
| 4.6.2 基于DBN的入侵检测实验 | 第49-54页 |
| 4.6.3 基于RNN的入侵检测实验 | 第54-57页 |
| 4.6.4 基于AlexNet的入侵检测实验 | 第57-58页 |
| 4.6.5 结果分析 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 5 结论 | 第61-63页 |
| 5.1 研究工作总结 | 第61页 |
| 5.2 下一步研究方向 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 作者简历 | 第66-68页 |
| 学位论文数据集 | 第68页 |
