摘要 | 第6-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第13-19页 |
1.1 课题研究背景和意义 | 第13-14页 |
1.2 国内外研究现状及发展概况 | 第14-16页 |
1.2.1 动态检测研究现状 | 第14-15页 |
1.2.2 静态检测研究现状 | 第15-16页 |
1.3 本文主要工作 | 第16-17页 |
1.4 论文结构安排 | 第17-19页 |
第2章 相关理论基础 | 第19-29页 |
2.1 Android系统概述 | 第19-21页 |
2.1.1 Android系统架构 | 第19-20页 |
2.1.2 Android应用程序核心组件 | 第20-21页 |
2.1.3 Android应用程序结构 | 第21页 |
2.2 Android安全机制 | 第21-23页 |
2.2.1 AndroidLinux内核安全机制 | 第21-22页 |
2.2.2 Android本地库及运行环境安全机制 | 第22页 |
2.2.3 Android应用程序层安全机制 | 第22-23页 |
2.3 静态检测技术 | 第23-26页 |
2.3.1 基于权限分析的检测技术 | 第24页 |
2.3.2 基于源码API的检测技术 | 第24-26页 |
2.4 机器学习分类算法 | 第26-27页 |
2.5 本章小结 | 第27-29页 |
第3章 基于SMO算法的Android应用程序分类 | 第29-43页 |
3.1 Android应用程序分类概述 | 第29页 |
3.2 Android应用程序分类特征的提取 | 第29-34页 |
3.2.1 权限特征的分析与提取 | 第29-31页 |
3.2.2 敏感API特征的分析与提取 | 第31-34页 |
3.3 Android应用程序特征集的优化 | 第34-37页 |
3.3.1 卡方检验算法和皮尔逊相关系数 | 第35-36页 |
3.3.2 卡方检验-皮尔逊相关系数的组合算法 | 第36-37页 |
3.4 基于SMO算法的Android应用程序分类 | 第37-42页 |
3.4.1 支持向量机的基本原理 | 第37-38页 |
3.4.2 SMO学习训练算法 | 第38-40页 |
3.4.3 Android应用程序分类的实现 | 第40-42页 |
3.5 本章小结 | 第42-43页 |
第4章 基于静态特征的Android恶意应用程序检测 | 第43-53页 |
4.1 方法概述 | 第43页 |
4.2 恶意应用程序检测流程 | 第43-44页 |
4.3 基于Apriori关联算法挖掘静态特征的频繁项集 | 第44-48页 |
4.3.1 类别敏感权限频繁模式挖掘 | 第44-47页 |
4.3.2 类别敏感API频繁模式挖掘 | 第47-48页 |
4.4 类别敏感阈值与应用敏感值的计算 | 第48-51页 |
4.4.1 类别敏感权限阈值与应用敏感权限值的计算 | 第48-50页 |
4.4.2 类别敏感API阈值与应用敏感API值的计算 | 第50-51页 |
4.5 本章小结 | 第51-53页 |
第5章 基于应用程序分类和静态特征的Android恶意应用程序检测框架的实现 | 第53-69页 |
5.1 检测框架的总体设计 | 第53页 |
5.2 检测框架的详细设计 | 第53-56页 |
5.2.1 特征提取模块 | 第53-54页 |
5.2.2 数据预处理模块 | 第54-55页 |
5.2.3 应用程序分类模块 | 第55页 |
5.2.4 恶意应用程序检测模块 | 第55-56页 |
5.3 实验环境及相关工具介绍 | 第56-59页 |
5.3.1 ApkTool反编译工具 | 第56-57页 |
5.3.2 Java2Smail工具 | 第57页 |
5.3.3 Weka | 第57-59页 |
5.4 实验方案设计 | 第59-62页 |
5.4.1 实验样本库 | 第59页 |
5.4.2 实验设计步骤 | 第59-60页 |
5.4.3 定义分类评价标准 | 第60-62页 |
5.5 实验结果分析 | 第62-68页 |
5.5.1 应用程序分类结果与分析 | 第62-65页 |
5.5.2 恶意应用程序检测结果与分析 | 第65-67页 |
5.5.3 应用程序分类对恶意应用程序检测结果的影响 | 第67-68页 |
5.6 本章小结 | 第68-69页 |
总结与展望 | 第69-71页 |
参考文献 | 第71-75页 |
攻读硕士学位期间发表论文 | 第75-77页 |
致谢 | 第77页 |