| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和价值 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 室内外场景识别研究现状 | 第11-13页 |
| 1.2.2 安卓终端管控研究现状 | 第13-14页 |
| 1.3 论文研究内容及意义 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第二章 相关技术基础和理论研究 | 第16-30页 |
| 2.1 室内外场景识别技术基础 | 第16-22页 |
| 2.1.1 机器学习算法 | 第16-21页 |
| 2.1.2 半监督学习 | 第21页 |
| 2.1.3 机器学习算法平台Weka | 第21-22页 |
| 2.2 安卓终端管控技术基础 | 第22-28页 |
| 2.2.1 安卓系统安全机制 | 第22-24页 |
| 2.2.2 Binder进程间通信机制 | 第24-25页 |
| 2.2.3 库的加载和动态链接机制 | 第25-27页 |
| 2.2.4 ELF文件格式 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 基于SLDT算法的室内外场景识别技术研究 | 第30-50页 |
| 3.1 传感器模块 | 第30-34页 |
| 3.1.1 光传感器 | 第30-31页 |
| 3.1.2 磁场传感器 | 第31-32页 |
| 3.1.3 气压传感器 | 第32-33页 |
| 3.1.4 加速度传感器 | 第33页 |
| 3.1.5 无线信号模块 | 第33-34页 |
| 3.2 基于多传感器的室内外场景识别方案 | 第34-37页 |
| 3.2.1 IODetector | 第34-36页 |
| 3.2.2 Co-Training | 第36-37页 |
| 3.3 基于多机器学习算法比较的室内外场景识别 | 第37-42页 |
| 3.3.1 数据采集和预处理 | 第37-39页 |
| 3.3.2 特征子集选择 | 第39-40页 |
| 3.3.3 分类模型训练与比较 | 第40-42页 |
| 3.4 基于半监督的自学习决策树SLDT改进算法 | 第42-48页 |
| 3.4.1 基于马氏距离的置信度计算 | 第42-43页 |
| 3.4.2 基于半监督的决策树训练方法 | 第43-46页 |
| 3.4.3 自学习决策树SLDT算法 | 第46-47页 |
| 3.4.4 权重系数选择和算法比较 | 第47-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于Inject和Hook的安卓终端管控技术研究 | 第50-60页 |
| 4.1 权限管控技术实现原理 | 第50-51页 |
| 4.2 Inject技术研究 | 第51-53页 |
| 4.3 Hook技术研究 | 第53-57页 |
| 4.3.1 Hook设计思路 | 第53-54页 |
| 4.3.2 关键函数Hook研究 | 第54-55页 |
| 4.3.3 IPC数据解析 | 第55-57页 |
| 4.4 网络管控技术 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 管控原型系统的设计和实现 | 第60-70页 |
| 5.1 开发环境介绍 | 第60页 |
| 5.2 系统整体架构 | 第60-61页 |
| 5.3 安卓管控APP的实现 | 第61-62页 |
| 5.4 服务器端后台的实现 | 第62-65页 |
| 5.5 实现效果 | 第65-67页 |
| 5.5.1 安卓管控APP | 第65-66页 |
| 5.5.2 管控网站 | 第66-67页 |
| 5.6 系统测试 | 第67-69页 |
| 5.6.1 兼容性测试 | 第67-68页 |
| 5.6.2 性能测试 | 第68-69页 |
| 5.6.3 时延测试 | 第69页 |
| 5.7 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 本文工作总结与分析 | 第70-71页 |
| 6.2 课题研究不足和展望 | 第71-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |