| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题的研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文工作及结构安排 | 第12-16页 |
| 1.3.1 本文的主要工作 | 第12-13页 |
| 1.3.2 论文的结构安排 | 第13-16页 |
| 第2章 Android恶意软件检测概述 | 第16-32页 |
| 2.1 Android系统简介 | 第16-22页 |
| 2.1.1 Android概述 | 第16-18页 |
| 2.1.2 Android系统架构 | 第18-21页 |
| 2.1.3 Android应用组织结构 | 第21-22页 |
| 2.2 Android恶意软件 | 第22-25页 |
| 2.2.1 Android恶意软件现状 | 第23页 |
| 2.2.2 Android恶意软件分类和特征 | 第23-25页 |
| 2.3 Android恶意软件检测方法 | 第25-29页 |
| 2.3.1 恶意软件静态检测技术概述 | 第25-26页 |
| 2.3.2 恶意软件动态检测技术概述 | 第26-29页 |
| 2.4 智能恶意软件识别技术 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于机器学习的Android恶意软件动态检测方案 | 第32-46页 |
| 3.1 方案总体概述 | 第32-33页 |
| 3.2 动态特征提取 | 第33-39页 |
| 3.2.1 系统调用动态特征 | 第34-38页 |
| 3.2.2 隐私信息调用动态特征 | 第38-39页 |
| 3.3 机器学习分类 | 第39-45页 |
| 3.3.1 机器学习的分类模型 | 第40-44页 |
| 3.3.2 基于机器学习的恶意软件判别 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 Android恶意软件动态检测的实验 | 第46-58页 |
| 4.1 App原始样本库的建立 | 第46-47页 |
| 4.2 实验中的特征提取 | 第47-54页 |
| 4.2.1 Strace特征提取 | 第47-50页 |
| 4.2.2 DroidBox特征提取 | 第50-54页 |
| 4.3 实验的分类设置和结果分析 | 第54-56页 |
| 4.3.1 实验的设置 | 第54-55页 |
| 4.3.2 实验结果和分析 | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 其他工作 | 第58-64页 |
| 5.1 基于离散余弦变换DCT的快速帧内预测算法介绍 | 第58-60页 |
| 5.2 算法的实验的结果及分析 | 第60-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 发表论文和参加科研情况说明 | 第70-72页 |
| 致谢 | 第72-73页 |