| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 本文的章节结构 | 第18-19页 |
| 第二章 移动终端应用识别与应用行为识别技术 | 第19-33页 |
| 2.1 流量识别技术 | 第19-20页 |
| 2.2 移动应用识别技术 | 第20-24页 |
| 2.2.1 基于载荷特征的移动终端应用识别 | 第20-22页 |
| 2.2.2 基于统计特征的移动终端应用识别 | 第22-24页 |
| 2.3 移动应用行为识别技术 | 第24-29页 |
| 2.3.1 正常行为识别 | 第24-25页 |
| 2.3.2 恶意行为检测 | 第25-29页 |
| 2.4 性能评估指标 | 第29-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 基于隐马尔可夫模型的移动应用识别 | 第33-55页 |
| 3.1 隐马尔可夫模型 | 第33-34页 |
| 3.1.1 隐马尔可夫模型定义 | 第33-34页 |
| 3.1.2 HMM模型的三个基本问题 | 第34页 |
| 3.2 将HMM模型用于移动应用识别的可行性分析 | 第34-38页 |
| 3.2.1 实例分析 | 第34-37页 |
| 3.2.2 网络流量行为的隐马尔可夫模型 | 第37-38页 |
| 3.3 系统架构 | 第38-39页 |
| 3.4 网络数据采集和特征提取 | 第39-43页 |
| 3.4.1 应用收集 | 第39页 |
| 3.4.2 网络数据自动化采集 | 第39-40页 |
| 3.4.3 特征提取 | 第40-43页 |
| 3.5 模型训练 | 第43-48页 |
| 3.5.1 聚类分析隐状态个数 | 第43-45页 |
| 3.5.2 参数学习 | 第45-48页 |
| 3.6 流量分类识别 | 第48-49页 |
| 3.7 性能评估 | 第49-52页 |
| 3.7.1 测试环境与测试数据 | 第49-50页 |
| 3.7.2 识别方法准确率 | 第50-52页 |
| 3.7.3 验证识别方法的泛化能力 | 第52页 |
| 3.8 本章小结 | 第52-55页 |
| 第四章 基于决策树与随机森林的移动应用恶意行为检测 | 第55-77页 |
| 4.1 决策树与随机森林 | 第55-57页 |
| 4.1.1 决策树 | 第55-57页 |
| 4.1.2 随机森林 | 第57页 |
| 4.2 系统流程 | 第57-58页 |
| 4.3 网络流量数据采集 | 第58-61页 |
| 4.3.1 数据集样本数据获取 | 第59-61页 |
| 4.3.2 恶意行为检测平台样本数据获取 | 第61页 |
| 4.4 网络流量数据预处理 | 第61-62页 |
| 4.5 网络流量特征提取 | 第62-66页 |
| 4.5.1 网络流量特征 | 第62-64页 |
| 4.5.2 特征提取 | 第64-66页 |
| 4.6 网络流量特征选择 | 第66-67页 |
| 4.7 模型训练与性能评估 | 第67-75页 |
| 4.7.1 验证方法的有效性 | 第67-70页 |
| 4.7.2 验证特征选择的有效性 | 第70-73页 |
| 4.7.3 模型对不同来源样本的检测能力 | 第73-75页 |
| 4.8 本章小结 | 第75-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |