基于自动化测试技术的Android恶意积分墙应用检测系统的设计与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 论文研究内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 第二章 相关技术研究 | 第19-28页 |
| 2.1 ANDROID广告生态与安全问题 | 第19-20页 |
| 2.1.1 Android广告生态系统 | 第19-20页 |
| 2.1.2 相关法律法规 | 第20页 |
| 2.2 ANDROID第三方库检测 | 第20-21页 |
| 2.3 ANDROID自动化测试技术 | 第21-23页 |
| 2.4 机器学习分类技术 | 第23-27页 |
| 2.4.1 决策树 | 第23-24页 |
| 2.4.2 模型融合 | 第24-25页 |
| 2.4.3 RF与GBDT | 第25页 |
| 2.4.4 LightGBM | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 ANDROID恶意积分墙应用检测系统设计 | 第28-43页 |
| 3.1 ANDROID移动广告平台调研 | 第28-29页 |
| 3.2 粗粒度预过滤方法 | 第29-31页 |
| 3.3 基于有向状态转换图的自动化测试 | 第31-34页 |
| 3.3.1 有向状态转换图生成 | 第31-32页 |
| 3.3.2 积分墙优先遍历策略 | 第32-34页 |
| 3.3.3 控制运行的关键参数 | 第34页 |
| 3.4 基于LIGHTGBM的积分墙广告识别 | 第34-38页 |
| 3.4.1 结构化特征提取 | 第35-37页 |
| 3.4.2 积分墙广告分类模型 | 第37-38页 |
| 3.5 启发式积分墙恶意行为检测 | 第38-41页 |
| 3.5.1 强制积分墙交互欺诈 | 第39-40页 |
| 3.5.2 积分墙点数奖励欺诈 | 第40-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第四章 ANDROID恶意积分墙应用检测系统实现 | 第43-59页 |
| 4.1 粗粒度过滤模块 | 第44-45页 |
| 4.2 自动化测试模块 | 第45-52页 |
| 4.2.1 整体架构 | 第46-47页 |
| 4.2.2 适配器模块 | 第47-48页 |
| 4.2.3 设备与应用模块 | 第48-49页 |
| 4.2.4 输入策略模块 | 第49-51页 |
| 4.2.5 典型的运行流程 | 第51-52页 |
| 4.3 积分墙广告识别模块 | 第52-54页 |
| 4.3.1 总体识别流程 | 第52-53页 |
| 4.3.2 并行训练加速 | 第53-54页 |
| 4.4 启发式恶意检测模块 | 第54-58页 |
| 4.4.1 强制积分墙交互欺诈检测 | 第55-56页 |
| 4.4.2 积分墙点数奖励欺诈检测 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 ANDROID恶意积分墙应用检测系统评测 | 第59-73页 |
| 5.1 实验环境 | 第59页 |
| 5.2 实验数据 | 第59-60页 |
| 5.3 评价指标 | 第60-61页 |
| 5.4 实验结果分析 | 第61-70页 |
| 5.4.1 自动化测试性能 | 第61-63页 |
| 5.4.2 积分墙广告识别 | 第63-66页 |
| 5.4.3 恶意积分墙检测 | 第66-68页 |
| 5.4.4 实验样本分布分析 | 第68-70页 |
| 5.5 典型恶意案例 | 第70-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文工作总结 | 第73-74页 |
| 6.2 问题与展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间发表的学术论文目录 | 第80页 |
