| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 2 相关原理与技术 | 第14-25页 |
| 2.1 Android系统架构 | 第14-16页 |
| 2.2 Android应用组件与通信 | 第16-19页 |
| 2.2.1 Android应用组件 | 第16-18页 |
| 2.2.2 Intent通信机制 | 第18-19页 |
| 2.3 Android平台安全机制 | 第19-21页 |
| 2.3.1 签名机制 | 第19-20页 |
| 2.3.2 沙箱机制 | 第20页 |
| 2.3.3 权限机制 | 第20-21页 |
| 2.4 Android应用行为分析技术 | 第21-22页 |
| 2.4.1 静态分析技术 | 第21页 |
| 2.4.2 动态分析技术 | 第21-22页 |
| 2.5 深度学习模型 | 第22-24页 |
| 2.5.1 深度学习简介 | 第22-23页 |
| 2.5.2 卷积神经网络模型 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 3 Android应用安全敏感行为路径分析与抽取方法研究 | 第25-38页 |
| 3.1 问题描述 | 第25-26页 |
| 3.2 Android应用行为描述方法 | 第26-28页 |
| 3.3 Android应用安全敏感行为路径分析与抽取方法 | 第28-33页 |
| 3.3.1 技术难点 | 第29页 |
| 3.3.2 基本定义 | 第29-31页 |
| 3.3.3 行为路径分析与抽取方法 | 第31-33页 |
| 3.4 算法描述 | 第33-37页 |
| 3.4.1 组件间调用关系生成算法 | 第33-34页 |
| 3.4.2 异步事件调用关系生成算法 | 第34-36页 |
| 3.4.3 安全敏感行为路径生成算法 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于深度学习的Android应用行为分析方法研究 | 第38-51页 |
| 4.1 文本分析问题构建 | 第38-43页 |
| 4.1.1 行为路径的文本形式表示方法 | 第38-41页 |
| 4.1.2 基于Skip-Gram的词向量表示 | 第41-43页 |
| 4.2 多尺寸卷积核神经网络 | 第43-44页 |
| 4.3 基于深度学习的Android应用行为分析方法 | 第44-46页 |
| 4.4 实验结果与分析 | 第46-50页 |
| 4.4.1 测试环境与样本 | 第46-47页 |
| 4.4.2 分类模型评价指标 | 第47-48页 |
| 4.4.3 模型结构对准确率影响 | 第48页 |
| 4.4.4 行为分析对检测结果的影响 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 基于应用行为分析的Android应用恶意性检测原型系统 | 第51-63页 |
| 5.1 系统设计 | 第51-52页 |
| 5.2 系统实现 | 第52-59页 |
| 5.2.1 前端交互模块 | 第52-53页 |
| 5.2.2 行为分析模块 | 第53-55页 |
| 5.2.3 深度学习模块 | 第55-58页 |
| 5.2.4 数据库模块 | 第58-59页 |
| 5.3 测试与评估 | 第59-62页 |
| 5.3.1 测试环境 | 第59页 |
| 5.3.2 功能测试 | 第59-61页 |
| 5.3.3 分析性能测试 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70页 |
