| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.2.1 国内研究现状 | 第16-18页 |
| 1.2.2 国外研究现状 | 第18-20页 |
| 1.3 本文章节安排 | 第20-22页 |
| 第2章 Android安全和恶意软件检测技术 | 第22-41页 |
| 2.1 Android安全 | 第22-29页 |
| 2.1.1 Android体系结构 | 第22-24页 |
| 2.1.2 应用程序四大组件 | 第24-25页 |
| 2.1.3 Dalvik和ART虚拟机 | 第25页 |
| 2.1.4 APK文件介绍 | 第25-26页 |
| 2.1.5 Android的安全机制分析 | 第26-29页 |
| 2.2 Android恶意软件检测技术 | 第29-40页 |
| 2.2.1 Android恶意软件 | 第29-30页 |
| 2.2.2 Android恶意软件技术分析 | 第30-33页 |
| 2.2.3 Android恶意软件检测技术 | 第33-40页 |
| 2.3 本章小结 | 第40-41页 |
| 第3章 一种基于病毒图像纹理和卷积神经网络的恶意软件检测技术 | 第41-58页 |
| 3.1 灰度图像生成技术 | 第41-42页 |
| 3.2 卷积神经网络 | 第42-51页 |
| 3.2.1 卷积神经网络的基本网络结构以及相关的运算 | 第42-46页 |
| 3.2.2 卷积神经网络的训练方法 | 第46-49页 |
| 3.2.3 卷积神经网络的优点 | 第49-51页 |
| 3.3 基于图像纹理和卷积神经网络的恶意软件检测模型 | 第51-53页 |
| 3.4 实验结果分析 | 第53-57页 |
| 3.4.1 实验环境和样本采集 | 第53页 |
| 3.4.2 实验流程 | 第53-54页 |
| 3.4.3 卷积神经网络初始化配置下的实验分析 | 第54-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第4章 面向恶意软件检测的卷积神经网络参数优化 | 第58-66页 |
| 4.1 卷积核尺寸 | 第58-59页 |
| 4.2 激活函数 | 第59-63页 |
| 4.2.1 常见的激活函数 | 第59-62页 |
| 4.2.2 改进的激活函数 | 第62-63页 |
| 4.3 训练优化算法 | 第63页 |
| 4.4 Dropout丢弃率 | 第63-64页 |
| 4.5 基于网络参数优化后的实验分析 | 第64-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第5章 两种基于卷积神经网络的混合深度模型 | 第66-74页 |
| 5.1 迁移学习 | 第66-68页 |
| 5.1.1 迁移学习的概念 | 第66页 |
| 5.1.2 迁移学习的算法 | 第66-67页 |
| 5.1.3 迁移学习的大致流程 | 第67-68页 |
| 5.2 基于卷积神经网络(CNN)的两种混合深度模型 | 第68-72页 |
| 5.2.1 CNN与受限玻尔兹曼机(RBM)相结合的深度模型 | 第68-70页 |
| 5.2.2 CNN与支持向量机(SVM)相结合的深度模型 | 第70-72页 |
| 5.3 本章小结 | 第72-74页 |
| 结论 | 第74-77页 |
| 参考文献 | 第77-81页 |
| 附录A 攻读学位期间完成的学术论文 | 第81-82页 |
| 附录B 攻读硕士学位期间获得的专利著作 | 第82-83页 |
| 附录C 攻读硕士期间参与的项目列表 | 第83-84页 |
| 致谢 | 第84页 |
