| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 常见的恶意代码类型 | 第14-15页 |
| 1.3 恶意代码检测方法 | 第15-18页 |
| 1.3.1 传统检测方法 | 第15页 |
| 1.3.2 国内外研究现状 | 第15-18页 |
| 1.4 课题任务 | 第18-19页 |
| 1.5 论文结构 | 第19-20页 |
| 第2章 基于Android应用程序与行为的特征提取 | 第20-32页 |
| 2.1 Android系统构成 | 第20-21页 |
| 2.2 Android应用程序组件 | 第21-27页 |
| 2.2.1 META-INF目录 | 第22页 |
| 2.2.2 res目录 | 第22-23页 |
| 2.2.3 AndroidManifest.xml文件 | 第23页 |
| 2.2.4 classes.dex文件 | 第23-27页 |
| 2.3 Android应用程序的权限与行为 | 第27-31页 |
| 2.3.1 权限信息 | 第27-28页 |
| 2.3.2 行为信息 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于数据挖掘的恶意代码检测方法 | 第32-48页 |
| 3.1 常见的检测流程 | 第32-33页 |
| 3.2 特征提取 | 第33页 |
| 3.3 特征选择 | 第33-36页 |
| 3.3.1 信息增益 | 第34页 |
| 3.3.2 文档频率 | 第34-35页 |
| 3.3.3 X~2统计量 | 第35-36页 |
| 3.4 特征表示方法 | 第36-38页 |
| 3.5 分类算法 | 第38-41页 |
| 3.5.1 决策树 | 第38-39页 |
| 3.5.2 支持向量机 | 第39-40页 |
| 3.5.3 朴素贝叶斯 | 第40-41页 |
| 3.6 支持向量机介绍 | 第41-47页 |
| 3.6.1 线性分类 | 第41-42页 |
| 3.6.2 线性不可分 | 第42-44页 |
| 3.6.3 支持向量机的调参 | 第44页 |
| 3.6.4 基于后验概率的SVM模型 | 第44-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第4章 系统框架设计 | 第48-56页 |
| 4.1 系统总体框架 | 第48-50页 |
| 4.2 特征提取 | 第50-51页 |
| 4.3 特征选择 | 第51-52页 |
| 4.4 特征表示 | 第52页 |
| 4.5 SVM的训练与预测过程 | 第52-54页 |
| 4.5.1 训练过程 | 第53-54页 |
| 4.5.2 测试过程 | 第54页 |
| 4.5.3 预测过程 | 第54页 |
| 4.6 评价方法 | 第54-55页 |
| 4.7 本章小结 | 第55-56页 |
| 第5章 实验与结果分析 | 第56-67页 |
| 5.1 实验环境 | 第56页 |
| 5.2 数据来源与选取 | 第56-57页 |
| 5.3 行为、权限信息的获取 | 第57-60页 |
| 5.3.1 权限信息 | 第57-59页 |
| 5.3.2 行为信息 | 第59-60页 |
| 5.4 数据预处理 | 第60-63页 |
| 5.4.1 特征提取 | 第60页 |
| 5.4.2 特征选择 | 第60-62页 |
| 5.4.3 特征表示 | 第62-63页 |
| 5.5 分类模型 | 第63-65页 |
| 5.5.1 训练过程 | 第63-64页 |
| 5.5.2 测试 | 第64页 |
| 5.5.3 在线部署 | 第64-65页 |
| 5.6 本章小结 | 第65-67页 |
| 结论 | 第67-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第76-77页 |
| 致谢 | 第77-78页 |