| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景及研究意义 | 第11-13页 |
| 1.2 Android应用程序检测分析方法 | 第13-15页 |
| 1.2.1 静态分析方法 | 第14页 |
| 1.2.2 动态分析方法 | 第14-15页 |
| 1.2.3 机器学习分析方法 | 第15页 |
| 1.3 国内外研究现状及研究的难点 | 第15-17页 |
| 1.3.1 国内外研究现状 | 第15-16页 |
| 1.3.2 研究的难点 | 第16-17页 |
| 1.4 论文研究内容 | 第17-18页 |
| 1.5 本文组织结构 | 第18-20页 |
| 第2章 Android系统结构及检测技术分析 | 第20-30页 |
| 2.1 Android体系结构分析 | 第20-24页 |
| 2.1.1 Android系统架构 | 第20-22页 |
| 2.1.2 Android应用程序安装包 | 第22-23页 |
| 2.1.3 Dalvik虚拟机与Smali语言 | 第23-24页 |
| 2.2 Android安全机制及安全威胁分析 | 第24-27页 |
| 2.2.1 沙盒机制 | 第24页 |
| 2.2.2 权限机制 | 第24-25页 |
| 2.2.3 签名机制 | 第25-26页 |
| 2.2.4 Android安全威胁 | 第26-27页 |
| 2.3 Android恶意程序检测技术分析 | 第27-29页 |
| 2.3.1 静态检测技术 | 第27-28页 |
| 2.3.2 动态检测技术 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于DBN的Android恶意程序检测系统 | 第30-49页 |
| 3.1 Android特征分析及原始特征空间向量构建 | 第30-36页 |
| 3.1.1 前言 | 第30-31页 |
| 3.1.2 权限集分析及约束 | 第31-33页 |
| 3.1.3 API集分析及约束 | 第33-35页 |
| 3.1.4 动态特征集分析与约束 | 第35-36页 |
| 3.2 基于DBN的Android恶意程序识别模型 | 第36-44页 |
| 3.2.1 BP神经网络 | 第36-39页 |
| 3.2.2 受限玻尔兹曼机 | 第39-43页 |
| 3.2.3 基于DBN的Android恶意程序识别模型（DAODB） | 第43-44页 |
| 3.3 基于DAODB模型的Android恶意程序分层检测系统（AMDOD） | 第44-47页 |
| 3.3.1 系统的设计思路 | 第44-45页 |
| 3.3.2 系统的执行流程 | 第45-46页 |
| 3.3.3 系统的总体框架 | 第46-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第4章 验证基于DAODB模型的Android应用程序分类器 | 第49-54页 |
| 4.1 实验样本数据 | 第49-50页 |
| 4.1.1 正常样本集 | 第49页 |
| 4.1.2 恶意样本集 | 第49-50页 |
| 4.2 实验数据预处理 | 第50页 |
| 4.3 实验及结果分析 | 第50-53页 |
| 4.3.1 实验评估指标 | 第50-51页 |
| 4.3.2 DAODB模型的验证及比较 | 第51-52页 |
| 4.3.3 比较不同原始特征空间向量的DAODB模型 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-55页 |
| 5.1 本文优点与不足 | 第54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57页 |
