| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-20页 |
| 1.2.1 基于启发式的检测方法 | 第14页 |
| 1.2.2 基于机器学习的检测方法 | 第14-17页 |
| 1.2.3 Android数据流分析 | 第17-20页 |
| 1.3 论文的内容和贡献 | 第20页 |
| 1.4 论文组织结构 | 第20-22页 |
| 第二章 背景知识及相关技术 | 第22-37页 |
| 2.1 ANDROID系统 | 第22-31页 |
| 2.1.1 Android体系结构 | 第22-24页 |
| 2.1.2 Android应用程序组件 | 第24-28页 |
| 2.1.3 Android安装文件结构 | 第28-29页 |
| 2.1.4 Android安全机制 | 第29-31页 |
| 2.2 机器学习算法 | 第31-36页 |
| 2.2.1 朴素贝叶斯 | 第32-33页 |
| 2.2.2 随机森林 | 第33-35页 |
| 2.2.3 Apriori算法 | 第35-36页 |
| 2.3 本章小结 | 第36-37页 |
| 第三章 系统设计 | 第37-41页 |
| 3.1 引言 | 第37-38页 |
| 3.2 总体设计 | 第38-39页 |
| 3.3 系统架构 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 系统实现 | 第41-54页 |
| 4.1 模拟FRAGMENT生命周期 | 第41-43页 |
| 4.2 获取带上下文和常量信息的敏感API依赖序列 | 第43-50页 |
| 4.2.1 提取带函数调用上下文的敏感API数据依赖对 | 第44-48页 |
| 4.2.2 生成敏感API数据依赖序列 | 第48-49页 |
| 4.2.3 分析数据依赖序列的常量和上下文信息 | 第49-50页 |
| 4.3 生成特征向量 | 第50-51页 |
| 4.4 利用机器学习算法 | 第51-53页 |
| 4.4.1 恶意软件检测 | 第51页 |
| 4.4.2 恶意软件分类 | 第51-52页 |
| 4.4.3 意软件描述 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 实验与分析 | 第54-62页 |
| 5.1 实验数据集和配置环境 | 第54页 |
| 5.2 敏感API数据依赖结果 | 第54-56页 |
| 5.3 恶意软件检测结果 | 第56-57页 |
| 5.4 恶意软件分类结果 | 第57-58页 |
| 5.5 恶意软件描述结果 | 第58-60页 |
| 5.6 时间效率 | 第60-61页 |
| 5.7 本章小结 | 第61-62页 |
| 第六章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间参与的科研项目 | 第67页 |
| 攻读硕士学位期间完成的论文 | 第67-68页 |
| 致谢 | 第68-69页 |