| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 Android系统层安全 | 第16页 |
| 1.2.2 Android恶意应用检测技术 | 第16-17页 |
| 1.2.3 现存问题和难点 | 第17-18页 |
| 1.3 本文主要研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 相关技术研究 | 第21-33页 |
| 2.1 Android系统概述及安全机制分析 | 第21-24页 |
| 2.1.1 系统概述 | 第21-23页 |
| 2.1.2 安全机制分析 | 第23-24页 |
| 2.2 Android系统恶意应用分析 | 第24-25页 |
| 2.3 Android应用逆向技术原理 | 第25-26页 |
| 2.4 特征选择基本方法 | 第26-27页 |
| 2.4.1 过滤法 | 第26页 |
| 2.4.2 包装法 | 第26-27页 |
| 2.5 智能优化算法 | 第27-28页 |
| 2.5.1 粒子群优化算法 | 第27-28页 |
| 2.5.2 蚁群优化算法 | 第28页 |
| 2.5.3 遗传算法 | 第28页 |
| 2.6 机器学习算法 | 第28-31页 |
| 2.6.1 朴素贝叶斯算法 | 第29-30页 |
| 2.6.2 决策树算法 | 第30页 |
| 2.6.3 K-近邻算法 | 第30-31页 |
| 2.7 本章小结 | 第31-33页 |
| 第三章 面向Android系统恶意应用检测方法研究与设计 | 第33-53页 |
| 3.1 集成检测方案概述 | 第33-35页 |
| 3.2 基于二值粒子群和朴素贝叶斯的Android应用特征选择算法 | 第35-43页 |
| 3.2.1 智能优化算法的选取 | 第36页 |
| 3.2.2 评价标准的选取 | 第36-37页 |
| 3.2.3 算法设计 | 第37-40页 |
| 3.2.4 仿真实验 | 第40-43页 |
| 3.3 基于层次朴素贝叶斯和Bagging学习的Android应用分类算法 | 第43-49页 |
| 3.3.1 层次朴素贝叶斯算法 | 第43-45页 |
| 3.3.2 Bagging学习法 | 第45-46页 |
| 3.3.3 算法设计 | 第46-48页 |
| 3.3.4 仿真实验 | 第48-49页 |
| 3.4 Android恶意应用检测算法BPSO-BHNB具体流程 | 第49-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 基于BPSO-BHNB的Android恶意应用检测系统设计实现 | 第53-67页 |
| 4.1 系统架构 | 第53-54页 |
| 4.2 系统工作原理 | 第54-55页 |
| 4.3 BMDroid系统架构的关键模块设计 | 第55-58页 |
| 4.3.1 特征提取模块的设计 | 第55-56页 |
| 4.3.2 特征处理模块的设计 | 第56-57页 |
| 4.3.3 特征选择模块的设计 | 第57页 |
| 4.3.4 分类器构建模块的设计 | 第57-58页 |
| 4.4 BMDroid系统架构的关键模块实现 | 第58-62页 |
| 4.4.1 特征提取模块的实现 | 第58-59页 |
| 4.4.2 特征处理模块的实现 | 第59-60页 |
| 4.4.3 特征选择模块的实现 | 第60-61页 |
| 4.4.4 分类器构建模块的实现 | 第61-62页 |
| 4.5 实验 | 第62-65页 |
| 4.5.1 实验环境 | 第62页 |
| 4.5.2 实验设计 | 第62-63页 |
| 4.5.3 实验结果与分析 | 第63-65页 |
| 4.6 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 本文工作总结 | 第67-68页 |
| 5.2 下一步工作 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 作者简历 | 第75页 |
