| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 论文研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 论文的主要研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第2章 Android安全机制分析与漏洞检测技术介绍 | 第18-33页 |
| 2.1 Android安全机制 | 第18-21页 |
| 2.1.1 Linux权限机制 | 第18-19页 |
| 2.1.2 “沙箱”机制 | 第19页 |
| 2.1.3 Android权限机制 | 第19-20页 |
| 2.1.4 应用程序签名机制 | 第20-21页 |
| 2.2 Android漏洞检测技术 | 第21-25页 |
| 2.2.1 污点传播分析技术 | 第22-24页 |
| 2.2.2 可达路径分析技术 | 第24页 |
| 2.2.3 符号执行技术 | 第24-25页 |
| 2.2.4 模糊检测技术 | 第25页 |
| 2.3 Smali语法 | 第25-27页 |
| 2.4 神经网络概述 | 第27-31页 |
| 2.4.1 神经网络 | 第27-30页 |
| 2.4.2 概率神经网络 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 基于概率神经网络的Android系统API分类 | 第33-43页 |
| 3.1 隐私泄露的敏感数据源分析 | 第33-34页 |
| 3.2 基于Android系统API的特征提取 | 第34-38页 |
| 3.2.1 Android系统API的特征分析 | 第35-37页 |
| 3.2.2 Android系统API的特征提取 | 第37-38页 |
| 3.3 概率神经网络分类器 | 第38-42页 |
| 3.3.1 概率神经网络优点分析 | 第38-39页 |
| 3.3.2 基于概率神经网络的Android系统API分类 | 第39-40页 |
| 3.3.3 基于Bagging的分类算法优化 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 隐私数据泄露漏洞检测模型 | 第43-53页 |
| 4.1 漏洞检测模型结构设计 | 第43-44页 |
| 4.2 Android应用程序预处理 | 第44页 |
| 4.3 生成过程间控制流图 | 第44-45页 |
| 4.4 反射函数处理 | 第45-47页 |
| 4.5 静态污点传播分析 | 第47-51页 |
| 4.5.1 污点分析 | 第47-50页 |
| 4.5.2 别名分析 | 第50-51页 |
| 4.6 基于source和sink列表的静态分析 | 第51-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第5章 模型测试与结果分析 | 第53-63页 |
| 5.1 实验环境与方法 | 第53页 |
| 5.2 基于概率神经网络分类的实验结果与分析 | 第53-60页 |
| 5.2.1 实验样本介绍 | 第53-55页 |
| 5.2.2 实验方法和评价标准 | 第55-56页 |
| 5.2.3 实验设计与结果分析 | 第56-60页 |
| 5.3 漏洞检测模型的实验设计与结果分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-71页 |
| 致谢 | 第71页 |
