| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 恶意应用检测 | 第13-14页 |
| 1.2.2 权限访问控制和权限推荐 | 第14页 |
| 1.2.3 安全隐私感知的应用推荐 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第二章 Android系统与相关知识 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 Android安全机制 | 第17-21页 |
| 2.2.1 继承自Linux的安全机制 | 第17-18页 |
| 2.2.2 Android特有的安全机制 | 第18-21页 |
| 2.3 Android应用组件与组件间通信 | 第21-22页 |
| 2.3.1 Android应用四大组件 | 第21-22页 |
| 2.3.2 Intent与组件间通信 | 第22页 |
| 2.4 APK文件结构 | 第22-23页 |
| 2.5 Android应用安全分析技术 | 第23-25页 |
| 2.5.1 Android应用静态分析技术 | 第23-24页 |
| 2.5.2 Android应用动态分析技术 | 第24-25页 |
| 第三章 基于类别的Android恶意应用检测方法 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 基于机器学习和权限的Android恶意应用检测方法 | 第25-26页 |
| 3.3 基于类别的权限敏感系数 | 第26-30页 |
| 3.3.1 Android应用的类别 | 第26-27页 |
| 3.3.2 权限在正常应用和恶意应用中的使用情况 | 第27-28页 |
| 3.3.3 权限敏感系数 | 第28-30页 |
| 3.4 权限特征以及应用敏感值特征的提取 | 第30-33页 |
| 3.4.1 权限特征的提取 | 第30-32页 |
| 3.4.2 应用敏感值特征的提取 | 第32-33页 |
| 3.5 基于随机森林算法的恶意应用检测方法 | 第33-36页 |
| 3.5.1 决策树算法模型 | 第33-34页 |
| 3.5.2 随机森林算法模型 | 第34-35页 |
| 3.5.3 基于随机森林算法的恶意应用检测 | 第35-36页 |
| 3.6 评估实验 | 第36-40页 |
| 3.6.1 数据集和实验环境 | 第36-37页 |
| 3.6.2 评估指标 | 第37-38页 |
| 3.6.3 检测结果与分析 | 第38-39页 |
| 3.6.4 应用敏感值特征用于分类的效果 | 第39页 |
| 3.6.5 运行时间开销 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第四章 基于类别的Android权限推荐方法 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 适用于权限推荐的权限敏感值 | 第41-45页 |
| 4.2.1 授予危险权限的风险与收益 | 第42页 |
| 4.2.2 权限敏感值 | 第42-44页 |
| 4.2.3 基于权限组机制的权限组敏感值 | 第44-45页 |
| 4.3 权限推荐流程 | 第45-46页 |
| 4.4 评估实验 | 第46-51页 |
| 4.4.1 权限推荐方法的效果 | 第47页 |
| 4.4.2 对比试验 | 第47-49页 |
| 4.4.3 对正常应用使用权限推荐的具体效果 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 本文工作总结 | 第53页 |
| 5.2 未来工作展望 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61-62页 |
| 详细摘要 | 第62-64页 |