| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-15页 |
| 1.1.1 智能手机及其应用 | 第12-13页 |
| 1.1.2 Android和恶意应用 | 第13-15页 |
| 1.1.3 选题意义 | 第15页 |
| 1.2 Android恶意应用检测研究现状 | 第15-17页 |
| 1.2.1 基于系统层行为的Android恶意应用检测 | 第15-17页 |
| 1.2.2 基于网络层行为的Android恶意应用检测 | 第17页 |
| 1.3 主要工作内容 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-19页 |
| 第2章 Android系统及其恶意应用的行为概述 | 第19-22页 |
| 2.1 Android系统 | 第19-20页 |
| 2.1.1 Android系统构成 | 第19页 |
| 2.1.2 Android应用组成 | 第19-20页 |
| 2.2 Android应用的不良行为 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 机器学习与特征选择算法 | 第22-27页 |
| 3.1 机器学习算法概述 | 第22页 |
| 3.2 机器学习中的分类算法 | 第22-25页 |
| 3.2.1 决策树算法 | 第22-23页 |
| 3.2.2 随机森林算法 | 第23-24页 |
| 3.2.3 支持向量机 | 第24页 |
| 3.2.4 K最近邻算法 | 第24-25页 |
| 3.2.5 贝叶斯网络算法 | 第25页 |
| 3.3 特征选择算法 | 第25-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第4章 Android恶意应用检测系统关键技术 | 第27-36页 |
| 4.1 基于系统调用的Android恶意应用检测方法 | 第27-32页 |
| 4.1.1 Android应用的系统调用数据采集 | 第28-29页 |
| 4.1.2 系统调用特征提取与选择 | 第29-31页 |
| 4.1.3 基于系统调用的检测方法 | 第31-32页 |
| 4.2 基于网络流量的Android恶意应用检测方法 | 第32-35页 |
| 4.2.1 基于权限组合模式比较方法 | 第33页 |
| 4.2.2 Android应用的网络流量数据采集 | 第33-34页 |
| 4.2.3 基于网络流量的检测方法 | 第34-35页 |
| 4.3 本章小结 | 第35-36页 |
| 第5章 Android恶意应用检测系统设计与实现 | 第36-53页 |
| 5.1 需求分析 | 第36-38页 |
| 5.1.1 功能需求分析 | 第36-37页 |
| 5.1.2 界面需求分析 | 第37页 |
| 5.1.3 需求模型建立 | 第37-38页 |
| 5.2 Android恶意应用检测系统框架结构 | 第38-40页 |
| 5.3 系统客户端各模块设计与实现 | 第40-44页 |
| 5.3.1 监控Android应用模块 | 第41-42页 |
| 5.3.2 采集系统调用数据模块 | 第42-43页 |
| 5.3.3 网络设备查找和获取模块 | 第43-44页 |
| 5.3.4 采集网络流量数据模块 | 第44页 |
| 5.3.5 数据保存和发送 | 第44页 |
| 5.4 系统云端各模块设计与实现 | 第44-47页 |
| 5.4.1 数据库设计 | 第44-45页 |
| 5.4.2 特征选择算法设计 | 第45-46页 |
| 5.4.3 分类算法设计 | 第46页 |
| 5.4.4 权限组合比较 | 第46页 |
| 5.4.5 结果反馈 | 第46-47页 |
| 5.5 系统性能测试 | 第47-52页 |
| 5.5.1 测试数据集和测试环境 | 第47页 |
| 5.5.2 客户端性能测试 | 第47-48页 |
| 5.5.3 特征选择算法结果 | 第48-50页 |
| 5.5.4 Android恶意应用检测结果 | 第50-52页 |
| 5.6 本章小结 | 第52-53页 |
| 总结 | 第53-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |
