| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 恶意代码检测技术研究背景 | 第8页 |
| 1.2 课题研究的目的和意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-12页 |
| 1.4 主要研究内容 | 第12-13页 |
| 1.5 文章框架 | 第13-14页 |
| 第2章 ANDROID恶意代码检测技术和卷积神经网络基础概述 | 第14-26页 |
| 2.1 引言 | 第14页 |
| 2.2 ANDROID系统简介 | 第14-16页 |
| 2.3 ANDROID恶意代码检测技术概述 | 第16-19页 |
| 2.3.1 动态分析检测技术 | 第16-17页 |
| 2.3.2 静态分析检测技术 | 第17-18页 |
| 2.3.3 基于深度学习的恶意代码检测方法简介 | 第18-19页 |
| 2.4 卷积神经网络理论基础 | 第19-25页 |
| 2.4.1 神经元模型和多层感知器 | 第19-21页 |
| 2.4.2 误差反向传播算法 | 第21-22页 |
| 2.4.3 卷积神经网络结构 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于高阶卷积神经网络的检测模型 | 第26-39页 |
| 3.1 引言 | 第26页 |
| 3.2 APK可视化处理 | 第26-29页 |
| 3.3 高阶卷积网络结构 | 第29-32页 |
| 3.3.1 高阶神经网络 | 第29-30页 |
| 3.3.2 高阶卷积神经网络 | 第30-32页 |
| 3.4 实验结果及分析 | 第32-38页 |
| 3.4.1 实验环境 | 第32页 |
| 3.4.2 实验数据和评价指标 | 第32-34页 |
| 3.4.3 网络结构分析 | 第34-36页 |
| 3.4.4 实验结果对比 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于API序列的ANDROID恶意代码检测模型 | 第39-53页 |
| 4.1 引言 | 第39页 |
| 4.2 API序列 | 第39-44页 |
| 4.2.1 系统API特征 | 第39-40页 |
| 4.2.2 系统API特征的提取 | 第40-41页 |
| 4.2.3 系统API编码 | 第41-44页 |
| 4.3 文本CNN分类器 | 第44-48页 |
| 4.3.1 Embedding层 | 第45-47页 |
| 4.3.2 卷积层池化层 | 第47-48页 |
| 4.4 实验结果及分析 | 第48-52页 |
| 4.4.1 API词表数量选择实验 | 第48-49页 |
| 4.4.2 Drebin恶意家族分类数据集实验 | 第49-52页 |
| 4.4.3 良性恶性数据集实验 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58-60页 |
| 附录 A：频率差前50的API序列表 | 第58-60页 |
| 攻读学位期间发表的论文及其它成果 | 第60-62页 |
| 致谢 | 第62页 |