| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 2 Android安全与恶意程序检测 | 第14-22页 |
| 2.1 Android安全机制 | 第14-15页 |
| 2.1.1 系统内核安全机制 | 第14页 |
| 2.1.2 运行时环境安全机制 | 第14-15页 |
| 2.1.3 应用框架安全机制 | 第15页 |
| 2.2 Android恶意程序 | 第15-18页 |
| 2.2.1 Android常见恶意行为 | 第16-17页 |
| 2.2.2 Android恶意程序的实现 | 第17-18页 |
| 2.3 Android恶意程序检测技术 | 第18-20页 |
| 2.3.1 基于特征码的检测技术 | 第18页 |
| 2.3.2 基于行为的静态检测技术 | 第18-19页 |
| 2.3.3 基于行为的动态检测技术 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 3 基于朴素贝叶斯算法的恶意程序静态检测方法及其改进 | 第22-40页 |
| 3.1 特征属性提取 | 第22-25页 |
| 3.2 数据处理方法 | 第25-27页 |
| 3.3 朴素贝叶斯分类算法 | 第27页 |
| 3.4 朴素贝叶斯分类检测算法的改进 | 第27-37页 |
| 3.4.1 特征组合 | 第28页 |
| 3.4.2 数据处理组合算法 | 第28-30页 |
| 3.4.3 加权朴素贝叶斯分类算法 | 第30-32页 |
| 3.4.4 模型的实现 | 第32-37页 |
| 3.5 改进的朴素贝叶斯分类检测模型仿真实验 | 第37-38页 |
| 3.6 本章小结 | 第38-40页 |
| 4 基于SVM的恶意程序动态检测方法及其改进 | 第40-54页 |
| 4.1 特征属性提取 | 第40-43页 |
| 4.2 数据处理方法 | 第43-44页 |
| 4.3 支持向量机 | 第44-46页 |
| 4.4 KNN-SVM分类检测模型 | 第46-51页 |
| 4.4.1 模型的构建 | 第46-48页 |
| 4.4.2 模型的实现 | 第48-51页 |
| 4.5 KNN-SVM分类检测模型仿真实验 | 第51-52页 |
| 4.6 本章小结 | 第52-54页 |
| 5 静态检测方法与动态检测方法相结合的综合检测方法 | 第54-66页 |
| 5.1 实验分析手段 | 第54-55页 |
| 5.1.1 实验数据集 | 第54页 |
| 5.1.2 评估标准 | 第54-55页 |
| 5.2 改进的朴素贝叶斯检测方法的实验与应用分析 | 第55-57页 |
| 5.3 KNN-SVM检测方法的实验与应用分析 | 第57-59页 |
| 5.4 综合检测模型的建立与应用分析 | 第59-64页 |
| 5.4.1 改进的朴素贝叶斯检测方法的优化 | 第59-60页 |
| 5.4.2 KNN-SVM检测方法的优化 | 第60-61页 |
| 5.4.3 综合检测模型的建立 | 第61-64页 |
| 5.5 本章小结 | 第64-66页 |
| 6 总结和展望 | 第66-68页 |
| 6.1 本文工作总结 | 第66页 |
| 6.2 未来工作展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-73页 |