基于机器学习的安卓隐私数据保护机制的研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 论文主要工作 | 第10页 |
| 1.4 论文组织结构 | 第10-12页 |
| 第2章 文献综述 | 第12-22页 |
| 2.1 安卓系统综述 | 第12-16页 |
| 2.1.1 安卓系统架构 | 第12-13页 |
| 2.1.2 安卓进程间通信机制 | 第13-14页 |
| 2.1.3 安卓安全机制 | 第14-16页 |
| 2.2 安卓系统隐私保护方案 | 第16-17页 |
| 2.2.1 强制权限访问控制 | 第16-17页 |
| 2.2.2 加密与安全认证 | 第17页 |
| 2.2.3 APP风险评估 | 第17页 |
| 2.3 安卓恶意软件检测技术概述 | 第17-19页 |
| 2.3.1 静态分析检测技术 | 第18页 |
| 2.3.2 动态分析检测技术 | 第18页 |
| 2.3.3 基于机器学习的检测技术 | 第18-19页 |
| 2.4 动态注入技术 | 第19-20页 |
| 2.5 当前研究工作的不足 | 第20页 |
| 2.6 本章小结 | 第20-22页 |
| 第3章 安卓隐私数据保护模型 | 第22-32页 |
| 3.1 机器学习概述 | 第22-24页 |
| 3.1.1 机器学习分类算法 | 第22-24页 |
| 3.2 权限机制的问题和改进方法 | 第24-25页 |
| 3.3 模型总体框架 | 第25-30页 |
| 3.3.1 安卓应用风险评估模块 | 第27-29页 |
| 3.3.2 隐私保护模块 | 第29-30页 |
| 3.4 本章小结 | 第30-32页 |
| 第4章 安卓隐私数据保护原型系统的设计与实现 | 第32-42页 |
| 4.1 安卓应用风险评估模块的设计与实现 | 第32-38页 |
| 4.1.1 静态特征提取 | 第32-35页 |
| 4.1.2 动态特征提取 | 第35-37页 |
| 4.1.3 混合特征的提取 | 第37页 |
| 4.1.4 特征集优化 | 第37-38页 |
| 4.1.5 分类器选择 | 第38页 |
| 4.2 隐私保护模块的设计与实现 | 第38-41页 |
| 4.2.1 风险评估表 | 第38-39页 |
| 4.2.2 请求数据处理模块 | 第39-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 实验和结果分析 | 第42-48页 |
| 5.1 实验环境 | 第42页 |
| 5.2 实验结果分析 | 第42-45页 |
| 5.2.1 数据集收集 | 第42-43页 |
| 5.2.2 评价指标 | 第43页 |
| 5.2.3 分类结果分析 | 第43-45页 |
| 5.3 系统测试及评估 | 第45-48页 |
| 第6章 总结与展望 | 第48-50页 |
| 6.1 全文总结 | 第48-49页 |
| 6.2 未来展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 发表论文和参加科研情况说明 | 第54-56页 |
| 致谢 | 第56页 |
