| 摘要 | 第7-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及研究意义 | 第11-13页 |
| 1.2 研究内容及创新点 | 第13-14页 |
| 1.3 论文组织结构 | 第14-15页 |
| 第二章 国内外研究现状 | 第15-21页 |
| 2.1 基于静态特征的检测技术 | 第15-16页 |
| 2.2 基于动态特征的检测技术 | 第16-17页 |
| 2.3 基于网络行为特征的检测技术 | 第17-18页 |
| 2.4 基于混合特征的检测技术 | 第18-19页 |
| 2.5 本章小结 | 第19-21页 |
| 第三章 数据采集方法及可视化分析 | 第21-37页 |
| 3.1 Android应用样本数据集 | 第21-23页 |
| 3.2 数据采集方法 | 第23-25页 |
| 3.2.1 Android应用源代码自动获取方案 | 第23-24页 |
| 3.2.2 Android应用网络流量自动获取方案 | 第24页 |
| 3.2.3 Android应用地理位置信息自动获取方案 | 第24-25页 |
| 3.3 Android应用可视化及结果分析 | 第25-35页 |
| 3.3.1 基于源代码的Android应用可视化及结果分析 | 第25-27页 |
| 3.3.2 基于网络流量的Android应用可视化及结果分析 | 第27-33页 |
| 3.3.3 基于地理位置信息的Android应用可视化及结果分析 | 第33-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 恶意Android应用双重检测方法 | 第37-45页 |
| 4.1 基于源代码的恶意Android应用检测模型的建立 | 第37-40页 |
| 4.1.1 特征提取 | 第37-38页 |
| 4.1.2 特征向量化 | 第38-39页 |
| 4.1.3 SVM算法 | 第39-40页 |
| 4.1.4 基于源代码的恶意Android应用检测模型的性能 | 第40页 |
| 4.2 基于网络流量的恶意Android应用检测模型的建立 | 第40-41页 |
| 4.2.1 特征提取 | 第40-41页 |
| 4.2.2 基于网络流量的恶意Android应用检测模型的建立与性能 | 第41页 |
| 4.3 恶意Android应用双重检测方法 | 第41-42页 |
| 4.4 恶意Android应用双重检测方法评估 | 第42-44页 |
| 4.4.1 双重检测方法性能评估 | 第42-43页 |
| 4.4.2 与单重检测模型的性能比较 | 第43页 |
| 4.4.3 与反病毒检测引擎比较 | 第43-44页 |
| 4.4.4 对未知恶意Android应用的检测能力 | 第44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于数据融合的恶意Android应用识别方法 | 第45-60页 |
| 5.1 数据融合 | 第46-49页 |
| 5.1.1 数据融合概述 | 第46-47页 |
| 5.1.2 Android源代码与网络流量的融合方法 | 第47页 |
| 5.1.3 Android应用网络流量与地理位置数据的融合方法 | 第47-48页 |
| 5.1.4 Android应用源代码、网络流量和地理位置数据的融合方法 | 第48-49页 |
| 5.2 恶意Android应用检测模型的建立 | 第49-51页 |
| 5.3 恶意Android应用检测模型评估 | 第51-56页 |
| 5.3.1 性能评估标准 | 第51-52页 |
| 5.3.2 检测模型性能评估 | 第52-53页 |
| 5.3.3 与使用不同数据训练的模型的比较 | 第53-54页 |
| 5.3.4 与使用不同算法训练的模型的比较 | 第54-55页 |
| 5.3.5 与反病毒检测引擎比较 | 第55页 |
| 5.3.6 对未知恶意Android应用的检测能力 | 第55-56页 |
| 5.4 结果解释性 | 第56-58页 |
| 5.5 本章小结 | 第58-60页 |
| 第六章 恶意Android应用检测原型系统设计 | 第60-65页 |
| 6.1 系统结构 | 第60页 |
| 6.2 系统实现流程 | 第60-61页 |
| 6.3 系统模块设计 | 第61-62页 |
| 6.4 系统展示 | 第62-65页 |
| 第七章 结论与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 附录 | 第72-73页 |
