| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 静态检测 | 第8-9页 |
| 1.2.2 动态检测 | 第9页 |
| 1.2.3 隐私保护 | 第9-10页 |
| 1.2.4 权限扩展 | 第10页 |
| 1.3 研究内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第二章 Android安全与恶意软件检测 | 第12-20页 |
| 2.1 Android综述 | 第12-13页 |
| 2.1.1 Android架构 | 第12-13页 |
| 2.1.2 Android组件及交互 | 第13页 |
| 2.2 Android安全机制 | 第13-15页 |
| 2.2.1 内核安全 | 第14页 |
| 2.2.2 运行环境安全 | 第14-15页 |
| 2.2.3 应用程序框架安全 | 第15页 |
| 2.3 Android恶意软件检测 | 第15-18页 |
| 2.3.1 Android恶意软件 | 第15-17页 |
| 2.3.2 基于静态特征的恶意软件检测 | 第17-18页 |
| 2.3.3 基于动态特征的恶意软件检测 | 第18页 |
| 2.4 本章小结 | 第18-20页 |
| 第三章 Android终端主动防御模型 | 第20-32页 |
| 3.1 Android终端主动防御模型设计 | 第20-23页 |
| 3.1.1 Android安全缺陷 | 第20-21页 |
| 3.1.2 Android终端主动防御模型 | 第21-23页 |
| 3.2 细粒度的Android应用权限管理 | 第23-26页 |
| 3.2.1 细粒度权限管理模型 | 第23-24页 |
| 3.2.2 进程间通信 | 第24-25页 |
| 3.2.3 扩展的Android应用权限审核机制 | 第25-26页 |
| 3.3 Android恶意行为监听 | 第26-31页 |
| 3.3.1 Android监听机制 | 第27-28页 |
| 3.3.2 恶意行为监听 | 第28-29页 |
| 3.3.3 基于行为模式的恶意行为分析 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于机器学习分类算法的Android恶意软件检测 | 第32-46页 |
| 4.1 检测系统设计 | 第32-37页 |
| 4.1.1 基于云端的恶意软件检测 | 第32-34页 |
| 4.1.2 基于众包的恶意软件分析 | 第34-35页 |
| 4.1.3 基于机器学习分类算法的检测模型 | 第35-37页 |
| 4.2 恶意软件特征提取 | 第37-41页 |
| 4.2.1 Android恶意样本库 | 第37-39页 |
| 4.2.2 Android应用特征 | 第39-40页 |
| 4.2.3 Android应用逆向分析 | 第40-41页 |
| 4.3 特征选择算法 | 第41-42页 |
| 4.4 机器学习分类算法 | 第42-45页 |
| 4.4.1 分类算法应用 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 Android恶意软件检测系统实现 | 第46-60页 |
| 5.1 引言 | 第46-47页 |
| 5.1.1 系统介绍 | 第46页 |
| 5.1.2 系统开发环境 | 第46-47页 |
| 5.2 系统架构 | 第47-49页 |
| 5.3 详细设计 | 第49-56页 |
| 5.3.1 细粒度应用权限管理模块 | 第49-53页 |
| 5.3.2 恶意行为监听模块 | 第53-54页 |
| 5.3.3 基于机器学习分类算法的恶意软件检测模块 | 第54-56页 |
| 5.4 系统实现与实验结果分析 | 第56-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第64-65页 |
| 附录2 攻读硕士学位期间申请的专利 | 第65-66页 |
| 附录3攻读硕士学位期间参加的科研项目 | 第66-67页 |
| 致谢 | 第67页 |