| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 课题背景和意义 | 第10-14页 |
| 1.2 课题的研究现状 | 第14-18页 |
| 1.2.1 静态检测 | 第15-16页 |
| 1.2.2 动态检测 | 第16-17页 |
| 1.2.3 机器学习检测 | 第17-18页 |
| 1.3 课题主要的研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 Android安全架构相关技术背景 | 第21-33页 |
| 2.1 Android系统架构 | 第21-30页 |
| 2.1.1 Android应用层 | 第22-23页 |
| 2.1.2 Android框架层 | 第23-24页 |
| 2.1.3 Dalvik虚拟机 | 第24-25页 |
| 2.1.4 用户空间原生代码层 | 第25-28页 |
| 2.1.5 Linux内核层 | 第28-30页 |
| 2.2 Android安全机制 | 第30-32页 |
| 2.3 Apk文件结构 | 第32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 Android应用特征提取 | 第33-43页 |
| 3.1 Android Permissions | 第34-35页 |
| 3.2 Hardware Features | 第35-37页 |
| 3.3 Software Features | 第37页 |
| 3.4 Intent Actions | 第37-38页 |
| 3.5 Intent Categories | 第38页 |
| 3.6 Sensitive APIs | 第38-40页 |
| 3.7 IP Addresses | 第40页 |
| 3.8 Advertisement Modules | 第40-41页 |
| 3.9 System Services | 第41-42页 |
| 3.10 System Security Settings | 第42页 |
| 3.11 本章小结 | 第42-43页 |
| 第四章 机器学习算法的研究 | 第43-55页 |
| 4.1 朴素贝叶斯 | 第43-44页 |
| 4.2 贝叶斯网络 | 第44-47页 |
| 4.3 随机树 | 第47-48页 |
| 4.4 决策树 | 第48-51页 |
| 4.5 最近邻法KNN | 第51-52页 |
| 4.6 随机森林 | 第52-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第五章 安卓恶意软件检测系统的设计与实现 | 第55-66页 |
| 5.1 安卓恶意软件检测系统框架 | 第55-56页 |
| 5.2 Android数据准备 | 第56-58页 |
| 5.2.1 网络爬取Android软件 | 第56-57页 |
| 5.2.2 Android软件反编译和动态运行日志获取 | 第57-58页 |
| 5.3 Android特征提取和正则化 | 第58-61页 |
| 5.3.1 Android特征提取 | 第58-59页 |
| 5.3.2 Android特征向量化 | 第59-60页 |
| 5.3.3 Android特征向量正则化 | 第60-61页 |
| 5.4 Android数据规约和特征提纯 | 第61-62页 |
| 5.4.1 Android数据规约 | 第61-62页 |
| 5.4.2 Android特征提纯 | 第62页 |
| 5.5 Android恶意软件检测机器学习分类算法 | 第62-63页 |
| 5.6 Android恶意软件检测系统的评价体系 | 第63-65页 |
| 5.6.1 真正元比率(TP Rate) | 第64页 |
| 5.6.2 假正元比率(FP Rate) | 第64页 |
| 5.6.3 精度(precision) | 第64页 |
| 5.6.4 召回率(recall) | 第64页 |
| 5.6.5 F1-Measure | 第64页 |
| 5.6.6 AUC(Area Under Curve) | 第64-65页 |
| 5.6.7 准确率(Accuracy) | 第65页 |
| 5.7 本章小结 | 第65-66页 |
| 第六章 安卓恶意软件检测系统的实验及性能分析 | 第66-77页 |
| 6.1 实验数据 | 第66页 |
| 6.2 实验方法及参数设计 | 第66-68页 |
| 6.2.1 比例分割法 | 第66-67页 |
| 6.2.2 K-折交叉验证 | 第67页 |
| 6.2.3 重采样技术 | 第67页 |
| 6.2.4 随机森林算法参数调优 | 第67-68页 |
| 6.2.5 各机器学习算法的参数设计 | 第68页 |
| 6.3 实验结果分析 | 第68-75页 |
| 6.3.1 选择最优的模型选择方法 | 第69-70页 |
| 6.3.2 选择最优的机器学习分类器 | 第70-71页 |
| 6.3.3 机器学习分类器的重采样实验 | 第71-73页 |
| 6.3.4 机器学习分类器的参数调优 | 第73-75页 |
| 6.3.5 实验结果和结论 | 第75页 |
| 6.4 跟已有研究工作的对比 | 第75页 |
| 6.5 本章小结 | 第75-77页 |
| 第七章 总结与展望 | 第77-79页 |
| 7.1 全文总结 | 第77-78页 |
| 7.2 工作展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-84页 |
| 作者攻读学位期间发表的学术论文目录 | 第84页 |
