| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 引言 | 第14-19页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 Android恶意软件及其检测技术研究现状 | 第15-17页 |
| 1.2.1 Android恶意软件的演变和特征 | 第15-16页 |
| 1.2.2 Android恶意软件检测研究概述 | 第16-17页 |
| 1.3 本文主要研究工作 | 第17-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 第二章 相关工作 | 第19-28页 |
| 2.1 Android系统架构 | 第19-20页 |
| 2.2 Android系统安全机制 | 第20-22页 |
| 2.2.1 应用程序沙盒 | 第20页 |
| 2.2.2 权限模型 | 第20-21页 |
| 2.2.3 数字签名机制 | 第21-22页 |
| 2.2.4 Android 4.0后安全机制的提升 | 第22页 |
| 2.3 Android恶意软件检测研究现状 | 第22-28页 |
| 2.3.1 检测技术分类 | 第22-23页 |
| 2.3.2 现有恶意软件检测方法 | 第23-24页 |
| 2.3.3 基于机器学习方法检测Android恶意软件的研究 | 第24-25页 |
| 2.3.4 机器学习分类算法概述 | 第25-28页 |
| 第三章 基于机器学习分类算法的Android恶意软件检测 | 第28-52页 |
| 3.1 名词定义 | 第28-29页 |
| 3.2 监督型分类方法检测恶意软件的一般框架 | 第29-30页 |
| 3.3 AMDetector框架概述 | 第30-32页 |
| 3.4 基于N-Byte的Android软件特征抽取 | 第32-35页 |
| 3.4.1 N-Byte原理 | 第32-33页 |
| 3.4.2 N-Byte特征抽取算法 | 第33-35页 |
| 3.5 基于N-Permission的Android软件特征抽取 | 第35-42页 |
| 3.5.1 Android静态特征 | 第35-36页 |
| 3.5.2 N-Permission原理 | 第36-38页 |
| 3.5.3 N-Permission特征抽取算法 | 第38-42页 |
| 3.6 基于N-System的Android软件特征抽取 | 第42-44页 |
| 3.6.1 N-System原理 | 第42-43页 |
| 3.6.2 N-System特征抽取算法 | 第43-44页 |
| 3.7 特征筛选(Feature Selection) | 第44-48页 |
| 3.7.1 变量排行(Variable Ranking) | 第45-46页 |
| 3.7.2 计算Fisher Score的算法过程 | 第46-48页 |
| 3.8 分类模型的生成和验证 | 第48-52页 |
| 3.8.1 “支持向量机”分类算法概述 | 第48-49页 |
| 3.8.2 分类模型的生成和验证过程 | 第49-52页 |
| 第四章 实验和评估 | 第52-68页 |
| 4.1 实验环境 | 第52页 |
| 4.2 评估参数的定义 | 第52-53页 |
| 4.3 Android软件样本获取 | 第53-54页 |
| 4.3.1 良性软件样本的获取 | 第53页 |
| 4.3.2 恶意软件样本的获取 | 第53-54页 |
| 4.4 特征抽取和筛选实验 | 第54-58页 |
| 4.4.1 基于N-Permission的特征抽取和筛选 | 第54-57页 |
| 4.4.2 基于N-Byte的特征抽取和筛选 | 第57-58页 |
| 4.5 分类模型生成与验证实验 | 第58-61页 |
| 4.5.1 参数选取 | 第58页 |
| 4.5.2 分类模型的生成与验证 | 第58-61页 |
| 4.6 实验结果与分析 | 第61-66页 |
| 4.6.1 基于N-Permission的分类模型实验结果与分析 | 第61-66页 |
| 4.6.2 基于N-Byte的分类模型实验结果与分析 | 第66页 |
| 4.7 对比性分析 | 第66-68页 |
| 第五章 总结与展望 | 第68-69页 |
| 5.1 总结 | 第68页 |
| 5.2 进一步工作展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 参与项目 | 第75-77页 |
