| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内研究现状 | 第11-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 论文的主要工作 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-18页 |
| 第2章 Android安全机制分析及检测技术研究 | 第18-28页 |
| 2.1 安全机制分析 | 第18-22页 |
| 2.1.1 虚拟机沙箱机制 | 第18-19页 |
| 2.1.2 权限机制分析 | 第19-20页 |
| 2.1.3 应用程序签名机制 | 第20-21页 |
| 2.1.4 组件安全 | 第21-22页 |
| 2.2 恶意行为攻击手段及检测技术分析 | 第22-24页 |
| 2.2.1 常见的攻击方式 | 第22-23页 |
| 2.2.2 恶意应用检测技术分析 | 第23-24页 |
| 2.3 机器学习概述 | 第24-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 Android软件的静态特征选择方法 | 第28-38页 |
| 3.1 Android恶意应用静态检测框架 | 第28-29页 |
| 3.2 Android应用的静态特征提取 | 第29-32页 |
| 3.2.1 反编译技术分析 | 第29-30页 |
| 3.2.2 Android恶意行为的特征分析 | 第30页 |
| 3.2.3 恶意行为特征提取 | 第30-32页 |
| 3.2.4 特征的预处理 | 第32页 |
| 3.3 特征选择方法研究 | 第32-34页 |
| 3.3.1 特征频数 | 第33页 |
| 3.3.2 信息增益 | 第33-34页 |
| 3.3.3 卡方统计 | 第34页 |
| 3.4 实验结果分析 | 第34-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 基于贝叶斯网络的Android恶意行为检测模型 | 第38-50页 |
| 4.1 贝叶斯分类器 | 第38-44页 |
| 4.1.1 贝叶斯的基本概念 | 第38-40页 |
| 4.1.2 朴素贝叶斯网络分类器分析 | 第40-42页 |
| 4.1.3 贝叶斯网络分类器原理 | 第42-43页 |
| 4.1.4 贝叶斯网络分类器优点分析 | 第43-44页 |
| 4.2 关联规则 | 第44-46页 |
| 4.2.1 关联规则的基本概念 | 第44-45页 |
| 4.2.2 Apriori算法 | 第45-46页 |
| 4.3 基于关联规则的贝叶斯网络分类模型 | 第46-49页 |
| 4.3.1 关联规则的改进算法MApriori | 第46-47页 |
| 4.3.2 基于MApriori算法的贝叶斯网络结构学习 | 第47-48页 |
| 4.3.3 贝叶斯网络参数学习 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 实验验证与结果分析 | 第50-56页 |
| 5.1 测试环境 | 第50-51页 |
| 5.1.1 系统软硬件环境 | 第50页 |
| 5.1.2 实验样本搜集 | 第50页 |
| 5.1.3 试验方法和评价标准 | 第50-51页 |
| 5.2 实验结果与分析 | 第51-53页 |
| 5.3 本章小结 | 第53-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |