安卓恶意代码检测技术的研究与实现
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 研究内容与目标 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第2章 安卓系统架构与恶意代码分析 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 安卓的架构 | 第16-17页 |
| 2.3 安卓恶意代码类型 | 第17-18页 |
| 2.4 安卓应用分析方法 | 第18-20页 |
| 2.4.1 通过反编译进行分析 | 第18-19页 |
| 2.4.2 通过动态调试进行分析 | 第19页 |
| 2.4.3 通过代码修补绕过应用文件进行分析 | 第19-20页 |
| 2.5 机器学习 | 第20-21页 |
| 2.5.1 决策数 | 第20-21页 |
| 2.5.2 随机森林 | 第21页 |
| 2.5.3 神经网络 | 第21页 |
| 2.6 本章小结 | 第21-22页 |
| 第3章 恶意代码检测模型的设计 | 第22-34页 |
| 3.1 引言 | 第22页 |
| 3.2 检测模型的整体设计 | 第22-28页 |
| 3.2.1 特征提取 | 第22-24页 |
| 3.2.2 N-Gram模型 | 第24-25页 |
| 3.2.3 特征选择和特征表示 | 第25-26页 |
| 3.2.4 特征降维 | 第26-28页 |
| 3.3 检测模型技术 | 第28-32页 |
| 3.3.1 使用字节N-Gram模式表示特征 | 第28-29页 |
| 3.3.2 使用操作符N-Gram模式表示特征 | 第29页 |
| 3.3.3 决策树分类 | 第29-30页 |
| 3.3.4 随机森林分类 | 第30-31页 |
| 3.3.5 神经网络分类 | 第31-32页 |
| 3.4 不平衡问题 | 第32页 |
| 3.5 本章小结 | 第32-34页 |
| 第4章 恶意代码检测模型的实现 | 第34-46页 |
| 4.1 引言 | 第34页 |
| 4.2 数据集采集 | 第34-36页 |
| 4.2.1 样本采集 | 第34页 |
| 4.2.2 特征表示 | 第34-36页 |
| 4.3 数据清洗 | 第36-38页 |
| 4.3.1 安卓虚拟机指令的分类 | 第36页 |
| 4.3.2 操作符字节模型 | 第36-38页 |
| 4.4 模型训练与预测 | 第38-44页 |
| 4.4.1 决策树和随机森林模型 | 第38-40页 |
| 4.4.2 神经网络模型 | 第40-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 实验结果与分析 | 第46-58页 |
| 5.1 引言 | 第46页 |
| 5.2 操作符序列模型的设置 | 第46-53页 |
| 5.2.1 特征表示和N-Gram | 第46-48页 |
| 5.2.2 特征选择和最高特征 | 第48-50页 |
| 5.2.3 分类器 | 第50-53页 |
| 5.3 不平衡问题 | 第53-55页 |
| 5.4 分类器的分析 | 第55-56页 |
| 5.4.1 决策树和随机森林 | 第55-56页 |
| 5.4.2 神经网络 | 第56页 |
| 5.5 本章小结 | 第56-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间所取得的研究成果 | 第64-66页 |
| 致谢 | 第66页 |
