Android恶意应用静态检测模型的设计与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 缩略词对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.1.1 Android手机发展状况 | 第14-15页 |
| 1.1.2 Android恶意应用发展态势 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 研究内容 | 第17页 |
| 1.4 论文组织结构 | 第17-20页 |
| 第二章 相关知识介绍 | 第20-32页 |
| 2.1 Android系统介绍 | 第20-25页 |
| 2.1.1 Android系统框架 | 第20-22页 |
| 2.1.2 Android应用程序组件 | 第22-25页 |
| 2.2 Android安全机制 | 第25-29页 |
| 2.2.1 沙箱机制 | 第26-27页 |
| 2.2.2 应用权限机制 | 第27-28页 |
| 2.2.3 数字签名机制 | 第28-29页 |
| 2.3 Android应用程序安装包 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 Android恶意应用检测模型总体设计 | 第32-36页 |
| 3.1 Android恶意应用检测现有方案 | 第32-33页 |
| 3.2 Android恶意应用检测模型总体设计 | 第33-34页 |
| 3.3 本章小结 | 第34-36页 |
| 第四章 数字签名检测和特征提取模块的设计与实现 | 第36-46页 |
| 4.1 数字签名检测模块设计思路 | 第36页 |
| 4.2 数字签名检测模块的实现 | 第36-37页 |
| 4.3 特征提取模块的设计思路 | 第37-42页 |
| 4.3.1 应用权限向量生成 | 第38-40页 |
| 4.3.2 敏感API向量生成 | 第40-42页 |
| 4.4 特征提取模块的实现 | 第42-44页 |
| 4.4.1 应用权限特征向量生成 | 第43-44页 |
| 4.4.2 敏感API特征向量生成 | 第44页 |
| 4.5 本章小结 | 第44-46页 |
| 第五章 机器学习检测模块的设计与实现 | 第46-62页 |
| 5.1 机器学习算法介绍 | 第46-52页 |
| 5.1.1 随机森林算法介绍 | 第46-49页 |
| 5.1.2 K-最近邻算法介绍 | 第49页 |
| 5.1.3 支持向量机算法介绍 | 第49-52页 |
| 5.1.4 算法分析 | 第52页 |
| 5.2 机器学习分类器设计 | 第52-55页 |
| 5.2.1 随机森林分类器设计 | 第53页 |
| 5.2.2 K-最近邻分类器设计 | 第53-54页 |
| 5.2.3 支持向量机分类器设计 | 第54-55页 |
| 5.3 机器学习检测实现 | 第55-60页 |
| 5.3.1 随机森林检测实现 | 第56-58页 |
| 5.3.2 K-最近邻检测实现 | 第58-59页 |
| 5.3.3 支持向量机检测实现 | 第59-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 实验与分析 | 第62-70页 |
| 6.1 实验前准备 | 第62-64页 |
| 6.2 实验结果及分析 | 第64-68页 |
| 6.2.1 数字签名检测模块实验 | 第64页 |
| 6.2.2 机器学习检测模块实验 | 第64-68页 |
| 6.3 本章小结 | 第68-70页 |
| 第七章 总结与展望 | 第70-72页 |
| 7.1 本文总结 | 第70-71页 |
| 7.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
