| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 本文完成的工作 | 第11-12页 |
| 1.4 本文章节安排 | 第12-13页 |
| 第二章 相关技术 | 第13-31页 |
| 2.1 Android恶意软件 | 第13-21页 |
| 2.1.1 Android软件恶意行为种类 | 第13-14页 |
| 2.1.2 Android软件恶意行为执行流程 | 第14-17页 |
| 2.1.3 Android恶意软件检测技术 | 第17-21页 |
| 2.2 词向量 | 第21-30页 |
| 2.2.1 词袋模型 | 第21页 |
| 2.2.2 Distributed Representation | 第21-24页 |
| 2.2.3 RNN/基于LSTM的RNN算法 | 第24-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于LSTM的递归神经网络的恶意行为检测模型 | 第31-39页 |
| 3.1 恶意行为属性 | 第31-33页 |
| 3.2 恶意行为序列 | 第33-35页 |
| 3.3 检测模型设计 | 第35-37页 |
| 3.3.1 恶意行为编码 | 第35-36页 |
| 3.3.2 递归神经网络模型 | 第36-37页 |
| 3.4 检测模型评估 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 Android软件恶意行为检测系统中实验设计 | 第39-51页 |
| 4.1 检测系统架构 | 第39-44页 |
| 4.1.1 Android软件样本库 | 第39-41页 |
| 4.1.2 样本预处理 | 第41页 |
| 4.1.3 恶意行为序列 | 第41-43页 |
| 4.1.4 词向量编码 | 第43页 |
| 4.1.5 机器学习算法 | 第43-44页 |
| 4.1.6 检测结果 | 第44页 |
| 4.2 实验设计 | 第44-50页 |
| 4.2.1 逻辑回归模型的实验设计 | 第45-46页 |
| 4.2.2 随机森林模型 | 第46-47页 |
| 4.2.3 支持向量机模型 | 第47-48页 |
| 4.2.4 LSTM递归神经网络模型的实验设计 | 第48-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 Android软件恶意行为检测系统的实验结论与分析 | 第51-59页 |
| 5.1 实验条件和工具使用 | 第51页 |
| 5.2 逻辑回归模型的实验结果和分析 | 第51-52页 |
| 5.3 随机森林模型的实验结果和分析 | 第52-54页 |
| 5.4 支持向量机模型的实验结果和分析 | 第54-55页 |
| 5.5 LSTM递归神经网络模型的实验结果和分析 | 第55-57页 |
| 5.6 对比各模型的实验结果分析 | 第57-58页 |
| 5.7 本章小结 | 第58-59页 |
| 第六章 结束语 | 第59-61页 |
| 6.1 论文工作总结 | 第59页 |
| 6.2 未来工作展望 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士学位期间发表的学术论文目录 | 第64页 |
