| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第2章 Android系统安全机制及恶意代码检测分析 | 第15-27页 |
| 2.1 Android系统概述 | 第15-18页 |
| 2.1.1 Android系统框架与四大组件 | 第15-16页 |
| 2.1.2 Android系统的安全机制 | 第16页 |
| 2.1.3 Android系统的新特性 | 第16-18页 |
| 2.2 Android恶意程序检测技术 | 第18-20页 |
| 2.3 Android恶意程序检测技术 | 第20-22页 |
| 2.3.1 静态检测 | 第20-21页 |
| 2.3.2 动态检测 | 第21页 |
| 2.3.3 混合检测 | 第21页 |
| 2.3.4 检测方法的选择 | 第21-22页 |
| 2.4 机器学习 | 第22-24页 |
| 2.4.1 机器学习概论 | 第22-23页 |
| 2.4.2 典型机器学习算法 | 第23-24页 |
| 2.5 Soot和Jimple | 第24-25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 基于Jimple指令的静态检测 | 第27-35页 |
| 3.1 Android权限特征提取 | 第28-29页 |
| 3.1.1 APK结构和权限特征 | 第28-29页 |
| 3.1.2 反编译获取权限 | 第29页 |
| 3.2 Soot反编译 | 第29-33页 |
| 3.2.1 dex文件的结构 | 第29-32页 |
| 3.2.2 Jimple语言和Dalvik字节码的对比 | 第32-33页 |
| 3.3 Jimple提取特征 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 深度学习的检测模型 | 第35-53页 |
| 4.1 卷积神经网络 | 第35-39页 |
| 4.1.1 卷积神经网络的整体结构 | 第36-37页 |
| 4.1.2 卷积和池化操作 | 第37-38页 |
| 4.1.3 Dropout解决过拟合问题 | 第38-39页 |
| 4.2 梯度下降的反向传播算法 | 第39-41页 |
| 4.2.1 BP神经网络 | 第39-40页 |
| 4.2.2 卷积神经网络中的反向传播算法 | 第40-41页 |
| 4.3 改进DPCNN | 第41-43页 |
| 4.3.1 双池化卷积神经网络的结构 | 第41-43页 |
| 4.3.2 DPCNN的网络的具体结构 | 第43页 |
| 4.4 恶意应用检测模型 | 第43-48页 |
| 4.4.1 特征提取 | 第43-45页 |
| 4.4.2 静态代码检测模型 | 第45-48页 |
| 4.5 实验和结果 | 第48-52页 |
| 4.5.1 数据集介绍 | 第48-49页 |
| 4.5.2 实验结果和分析 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间参加的科研项目和成果 | 第59页 |