| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.1.1 恶意程序高速增长现状 | 第11页 |
| 1.1.2 主流的恶意程序检测方法 | 第11-12页 |
| 1.1.3 恶意代码的变种与常见检测方法 | 第12页 |
| 1.2 国内外相关工作 | 第12-15页 |
| 1.2.1 恶意代码检测的相关工作 | 第12-14页 |
| 1.2.2 恶意代码可视化与家族分类的相关工作 | 第14-15页 |
| 1.3 本文研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 相关理论知识和关键技术 | 第17-25页 |
| 2.1 Android系统相关知识 | 第17-18页 |
| 2.1.1 Android应用程序包格式 | 第17页 |
| 2.1.2 Dalvik虚拟机与反汇编 | 第17-18页 |
| 2.2 N-Gram编码原理 | 第18-19页 |
| 2.3 聚类算法 | 第19-20页 |
| 2.3.1 聚类算法介绍 | 第19-20页 |
| 2.3.2 AP聚类算法 | 第20页 |
| 2.4 分类算法 | 第20-22页 |
| 2.4.1 分类算法介绍 | 第20-22页 |
| 2.4.2 Random Forest分类算法 | 第22页 |
| 2.5 图像纹理特征提取算法 | 第22-24页 |
| 2.5.1 图像纹理特征介绍 | 第22-23页 |
| 2.5.2 纹理特征提取方法介绍 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 基于Dalvik指令简化的恶意代码分类方法设计 | 第25-34页 |
| 3.1 系统模型的设计 | 第25-26页 |
| 3.2 Dalvik指令特征与N-Gram编码 | 第26-28页 |
| 3.3 分类算法的评估标准 | 第28-29页 |
| 3.4 实验与结果分析 | 第29-33页 |
| 3.4.1 实验数据与实验环境 | 第29页 |
| 3.4.2 算法与模型优选 | 第29-32页 |
| 3.4.3 与专业反病毒软件实验比较 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于bytecode生成图的恶意家族分类方法设计 | 第34-41页 |
| 4.1 系统模型的设计 | 第34页 |
| 4.2 bytecode生成图原理 | 第34-36页 |
| 4.3 bytecode生成图特征的提取 | 第36-37页 |
| 4.4 实验与结果分析 | 第37-40页 |
| 4.4.1 Random Forest算法的选用 | 第37-38页 |
| 4.4.2 实验数据来源 | 第38页 |
| 4.4.3 恶意家族分类实验 | 第38-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 Android恶意代码智能检测平台的设计与实现 | 第41-57页 |
| 5.1 恶意代码检测系统的应用场景 | 第41-42页 |
| 5.2 恶意代码智能检测平台的总体架构 | 第42-45页 |
| 5.2.1 训练数据的数据流程 | 第43-44页 |
| 5.2.2 测试数据的数据流程 | 第44-45页 |
| 5.3 Web交互服务模块的设计与实现 | 第45-49页 |
| 5.3.1 可疑APK上传子模块 | 第46页 |
| 5.3.2 数据可视化展示子模块 | 第46-48页 |
| 5.3.3 检测报告生成子模块 | 第48页 |
| 5.3.4 日志记录与查询子模块 | 第48-49页 |
| 5.4 恶意代码检测模块的设计与实现 | 第49-53页 |
| 5.4.1 基本信息采集子模块 | 第50-51页 |
| 5.4.2 文件预处理子模块 | 第51-52页 |
| 5.4.3 恶意代码判定子模块 | 第52页 |
| 5.4.4 检测模型生成子模块 | 第52-53页 |
| 5.5 恶意代码智能检测平台的功能测试 | 第53-55页 |
| 5.5.1 异常文件处理功能的测试 | 第53-54页 |
| 5.5.2 恶意代码检测功能的测试 | 第54-55页 |
| 5.6 本章小结 | 第55-57页 |
| 第6章 结论与展望 | 第57-59页 |
| 6.1 结论 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间参加的科研项目和成果 | 第64页 |
