基于局部二值模式和主成分分析的安卓恶意软件检测方法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-16页 |
| 1.1.1 研究背景 | 第12-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 国外研究现状 | 第16-18页 |
| 1.2.2 国内研究现状 | 第18-19页 |
| 1.2.3 存在的问题与不足 | 第19页 |
| 1.3 本文研究内容 | 第19-20页 |
| 1.4 组织结构 | 第20-21页 |
| 1.5 小结 | 第21-22页 |
| 第2章 相关概念与技术 | 第22-33页 |
| 2.1 恶意应用程序的分类及特点 | 第22-24页 |
| 2.1.1 木马 | 第22页 |
| 2.1.2 蠕虫 | 第22-23页 |
| 2.1.3 后门 | 第23页 |
| 2.1.4 僵尸网络 | 第23-24页 |
| 2.1.5 间谍软件 | 第24页 |
| 2.1.6 攻击性广告服务 | 第24页 |
| 2.2 安卓恶意软件分析技术 | 第24-27页 |
| 2.2.1 静态分析 | 第25-26页 |
| 2.2.2 动态分析 | 第26-27页 |
| 2.3 代码分析技术 | 第27-28页 |
| 2.4 基于机器学习的检测技术 | 第28-32页 |
| 2.4.1 基于K近邻的检测方法 | 第28-29页 |
| 2.4.2 基于随机森林的检测方法 | 第29-30页 |
| 2.4.3 基于朴素贝叶斯的检测方法 | 第30-32页 |
| 2.5 小结 | 第32-33页 |
| 第3章 基于局部二值模式的纹理特征提取方法 | 第33-40页 |
| 3.1 问题描述 | 第33页 |
| 3.2 方法概述 | 第33-35页 |
| 3.3 安卓应用程序二进制序列灰度图像生成算法 | 第35-37页 |
| 3.4 安卓二进制序列灰度图像纹理特征提取算法 | 第37-39页 |
| 3.5 小结 | 第39-40页 |
| 第4章 基于主成分分析和K近邻的检测方法 | 第40-47页 |
| 4.1 问题描述 | 第40页 |
| 4.2 方法概述 | 第40-42页 |
| 4.3 基于主成分分析的纹理特征降维算法 | 第42-44页 |
| 4.4 基于K近邻的安卓恶意软件检测算法 | 第44-46页 |
| 4.5 小结 | 第46-47页 |
| 第5章 实验结果及分析 | 第47-60页 |
| 5.1 实验流程 | 第47页 |
| 5.2 实验验证方法 | 第47-48页 |
| 5.3 评价指标 | 第48-49页 |
| 5.4 数据集 | 第49页 |
| 5.5 实验环境 | 第49-50页 |
| 5.6 实验结果分析 | 第50-59页 |
| 5.6.1 特征提取方法对比分析 | 第50-51页 |
| 5.6.2 检测准确率对比分析 | 第51-57页 |
| 5.6.3 时间开销对比分析 | 第57-59页 |
| 5.7 小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 附录A 攻读硕士学位期间所发表的学术论文目录 | 第67-68页 |
| 附录B 攻读学位期间参与的主要项目 | 第68-69页 |
| 致谢 | 第69页 |
