基于机器学习的安卓恶意应用检测系统的设计与实现
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文研究内容 | 第11-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 相关技术与原理 | 第14-22页 |
| 2.1 安卓应用程序结构 | 第14-16页 |
| 2.1.1 权限机制 | 第14-15页 |
| 2.1.2 组件机制 | 第15页 |
| 2.1.3 安装包结构 | 第15-16页 |
| 2.2 安卓恶意应用的类型与特征 | 第16-19页 |
| 2.2.1 恶意应用安装方式 | 第16-18页 |
| 2.2.2 恶意行为激活方式 | 第18页 |
| 2.2.3 恶意应用类型及功能 | 第18-19页 |
| 2.3 机器学习技术 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 基于机器学习的安卓恶意应用检测方法 | 第22-40页 |
| 3.1 基于代码语义的多维特征提取方法 | 第23-33页 |
| 3.1.1 逆向代码特征提取 | 第23-26页 |
| 3.1.2 程序语义特征提取 | 第26-31页 |
| 3.1.3 漏洞模式特征提取 | 第31-33页 |
| 3.2 基于频繁模式的特征处理方法 | 第33-37页 |
| 3.2.1 基于支持度、区分度和相似度的特征过滤 | 第33-35页 |
| 3.2.2 基于Apriori的频繁特征模式挖掘 | 第35-37页 |
| 3.3 安卓恶意应用检测模型训练方法 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 安卓恶意应用检测系统的设计与实现 | 第40-46页 |
| 4.1 总体结构设计 | 第40-41页 |
| 4.2 系统功能实现 | 第41-43页 |
| 4.3 系统检测流程 | 第43-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第五章 实验与评价 | 第46-52页 |
| 5.1 实验环境 | 第46-47页 |
| 5.2 数据集与评价指标 | 第47页 |
| 5.3 实验结果 | 第47-51页 |
| 5.3.1 特征提取及处理方法有效性实验 | 第47-49页 |
| 5.3.2 安卓恶意应用检测方法有效性实验 | 第49-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 结论与展望 | 第52-56页 |
| 6.1 结论 | 第52-53页 |
| 6.2 不足之处 | 第53页 |
| 6.3 展望 | 第53-56页 |
| 参考文献 | 第56-60页 |
| 附录 A 危险权限表 | 第60-64页 |
| 附录 B 高敏库函数表 | 第64-68页 |
| 攻读硕士学位期间科研成果 | 第68-70页 |
| 基本情况 | 第68页 |
| 教育情况 | 第68页 |
| 论文成果 | 第68页 |
| 专利成果 | 第68-69页 |
| 科研项目 | 第69-70页 |
| 致谢 | 第70-72页 |
