| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于签名检测 | 第11-12页 |
| 1.2.2 基于行为检测 | 第12-15页 |
| 1.2.3 目前存在的问题 | 第15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第2章 基础知识与相关技术 | 第18-30页 |
| 2.1 Android系统 | 第18-22页 |
| 2.1.1 Android体系结构 | 第18-19页 |
| 2.1.2 Android安全机制 | 第19-22页 |
| 2.2 Android安全漏洞 | 第22-25页 |
| 2.3 Android应用程序逆向分析 | 第25-28页 |
| 2.3.1 反编译技术介绍 | 第25-27页 |
| 2.3.2 Smali文件分析 | 第27-28页 |
| 2.4 Android动态行为监听技术 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 Android恶意软件特征提取与选择 | 第30-42页 |
| 3.1 APK文件预处理 | 第30-31页 |
| 3.2 特征分析 | 第31-35页 |
| 3.2.1 AndroidManifest.xml文件分析 | 第31-33页 |
| 3.2.2 Smali文件分析 | 第33-35页 |
| 3.2.3 Res文件分析 | 第35页 |
| 3.3 特征提取 | 第35-37页 |
| 3.4 特征选择 | 第37-40页 |
| 3.4.1 基于信息增益(IG)的特征选择 | 第37-39页 |
| 3.4.2 基于CFS-GA的特征选择 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于多特征的Android恶意软件检测算法的比较分析 | 第42-68页 |
| 4.1 基于机器学习的Andorid恶意软件检测 | 第42-48页 |
| 4.1.1 检测模型框架 | 第42-43页 |
| 4.1.2 检测算法介绍 | 第43-47页 |
| 4.1.3 检测算法实现 | 第47-48页 |
| 4.2 基于统计分析的Android恶意软件检测 | 第48-56页 |
| 4.2.1 检测算法介绍 | 第48-52页 |
| 4.2.2 应用实例分析 | 第52-55页 |
| 4.2.3 检测算法实现 | 第55-56页 |
| 4.3 实验结果与分析 | 第56-66页 |
| 4.3.1 实验数据准备 | 第56-57页 |
| 4.3.2 评价标准 | 第57页 |
| 4.3.3 机器学习分类检测比较分析 | 第57-63页 |
| 4.3.4 统计分析分类检测比较分析 | 第63-64页 |
| 4.3.5 检测算法的比较分析 | 第64-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第5章 基于多特征的Android恶意软件检测原型系统 | 第68-92页 |
| 5.1 Android恶意软件检测原型系统的设计 | 第68-75页 |
| 5.1.1 移动设备端应用程序的整体设计 | 第69-74页 |
| 5.1.2 云端子系统的设计 | 第74-75页 |
| 5.2 Android恶意软件检测原型系统的实现 | 第75-87页 |
| 5.2.1 移动设备端应用程序的实现 | 第75-87页 |
| 5.2.2 云端子系统实现 | 第87页 |
| 5.3 Android恶意软件检测原型系统的测试 | 第87-90页 |
| 5.4 本章小结 | 第90-92页 |
| 结论 | 第92-94页 |
| 参考文献 | 第94-100页 |
| 致谢 | 第100-101页 |
| 攻读硕士学位期间发表的学术论文 | 第101-102页 |
