| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 选题背景 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 静态分析 | 第12-13页 |
| 1.2.2 动态分析 | 第13-14页 |
| 1.2.3 机器学习 | 第14-15页 |
| 1.3 研究内容及意义 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 2 Android软件的恶意行为及检测 | 第17-28页 |
| 2.1 Android操作系统 | 第17-21页 |
| 2.1.1 Android系统层次架构 | 第17-19页 |
| 2.1.2 Android应用程序结构 | 第19-20页 |
| 2.1.3 Android安全机制 | 第20-21页 |
| 2.2 Android恶意行为 | 第21-23页 |
| 2.3 Android恶意软件检测 | 第23-26页 |
| 2.3.1 静态行为分析 | 第24-25页 |
| 2.3.2 动态行为分析 | 第25-26页 |
| 2.3.3 机器学习 | 第26页 |
| 2.4 本章小结 | 第26-28页 |
| 3 基于行为分析的Android恶意软件检测方法 | 第28-47页 |
| 3.1 Android软件行为 | 第28-32页 |
| 3.1.1 静态行为 | 第28-30页 |
| 3.1.2 动态行为 | 第30-32页 |
| 3.2 特征工程 | 第32-42页 |
| 3.2.1 特征描述 | 第32-36页 |
| 3.2.2 特征提取 | 第36-37页 |
| 3.2.3 静态行为特征集 | 第37-42页 |
| 3.3 机器学习分类算法 | 第42-46页 |
| 3.3.1 支持向量机 | 第43页 |
| 3.3.2 朴素贝叶斯 | 第43-44页 |
| 3.3.3 随机森林 | 第44-45页 |
| 3.3.4 置信度 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 检测模型的设计实现及实验结果分析 | 第47-64页 |
| 4.1 检测模型 | 第47-52页 |
| 4.1.1 检测框架设计 | 第47-48页 |
| 4.1.2 静态行为分析 | 第48-50页 |
| 4.1.3 动态行为分析 | 第50-51页 |
| 4.1.4 Android恶意软件检测 | 第51-52页 |
| 4.2 评价指标 | 第52-53页 |
| 4.3 检测实验 | 第53-57页 |
| 4.3.1 实验环境 | 第53-54页 |
| 4.3.2 数据预处理 | 第54-55页 |
| 4.3.3 基于静态行为分析的检测 | 第55-57页 |
| 4.3.4 综合检测 | 第57页 |
| 4.4 结果分析 | 第57-58页 |
| 4.5 样例分析 | 第58-62页 |
| 4.5.1 sunkay.BookYuanyangdao | 第58-60页 |
| 4.5.2 cn.com.fetionxbwx | 第60-62页 |
| 4.6 本章小结 | 第62-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 论文总结 | 第64页 |
| 5.2 研究展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |