| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-16页 |
| 1.1 研究背景 | 第8页 |
| 1.2 国内外相关研究 | 第8-11页 |
| 1.2.1 国外相关研究 | 第8-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-13页 |
| 1.4 本文同国内外同类研究的比较 | 第13页 |
| 1.5 研究方法 | 第13-14页 |
| 1.6 拟解决的关键问题和创新点 | 第14-15页 |
| 1.6.1 拟解决的关键问题 | 第14页 |
| 1.6.2 本文的创新点 | 第14-15页 |
| 1.7 本文组织结构 | 第15-16页 |
| 第二章 算法模型 | 第16-23页 |
| 2.1 自编码器及变型 | 第16-18页 |
| 2.1.1 自编码器(AE,Auto Encoder) | 第16-17页 |
| 2.1.2 栈式自编码(SAE) | 第17-18页 |
| 2.2 深度信念网络DBN | 第18-21页 |
| 2.2.1 Restricted Boltzmann Machines | 第18-19页 |
| 2.2.2 Contrastive Divergence | 第19-20页 |
| 2.2.3 Back Propagtion | 第20页 |
| 2.2.4 Deep Believe Network (DBN) | 第20-21页 |
| 2.3 中值滤波 | 第21-23页 |
| 2.3.1 中值滤波 | 第21页 |
| 2.3.2 纹理指纹中值滤波 | 第21-23页 |
| 第三章 技术路线 | 第23-31页 |
| 3.1 恶意代码的特征提取 | 第23-24页 |
| 3.2 恶意代码识别 | 第24-29页 |
| 3.3 恶意代码变种检测 | 第29-31页 |
| 第四章 栈式自编码的恶意代码分类算法研究 | 第31-34页 |
| 4.1 特征提取 | 第31-32页 |
| 4.1.1 纹理特征抽取 | 第31页 |
| 4.1.2 指令频度特征抽取 | 第31-32页 |
| 4.2 特征融合 | 第32页 |
| 4.3 栈式自编码的恶意代码分类算法研究 | 第32-33页 |
| 4.4 本章小结 | 第33-34页 |
| 第五章 深度信念网络的恶意代码分类策略研究 | 第34-37页 |
| 5.1 特征提取 | 第34-35页 |
| 5.2 数据特征融合 | 第35页 |
| 5.3 深度信念网络的恶意代码分类策略研究 | 第35-36页 |
| 5.4 本章小结 | 第36-37页 |
| 第六章 基于纹理指纹与活动向量空间的Android恶意代码检测 | 第37-42页 |
| 6.1 数据预处理 | 第37页 |
| 6.2 特征抽取 | 第37-41页 |
| 6.2.1 纹理指纹特征 | 第37-38页 |
| 6.2.2 恶意代码活动向量空间特征 | 第38-41页 |
| 6.3 特征融合 | 第41页 |
| 6.4 基于纹理指纹与活动向量空间的Android恶意代码检测 | 第41页 |
| 6.5 本章小结 | 第41-42页 |
| 第七章 基于“纹理指纹中值滤波”的Android恶意代码分析检测技术研究 | 第42-46页 |
| 7.1 数据预处理 | 第42-43页 |
| 7.2 安卓恶意代码特征提取 | 第43-44页 |
| 7.2.1 纹理指纹特征提取 | 第43页 |
| 7.2.2 恶意代码纹理指纹中值滤波特征(ITMF) | 第43-44页 |
| 7.2.3 恶意代码活动向量空间特征(MAEVS) | 第44页 |
| 7.3 特征融合 | 第44-45页 |
| 7.4 基于“纹理指纹中值滤波”的Android恶意代码分析检测技术研究 | 第45页 |
| 7.5 本章小结 | 第45-46页 |
| 第八章 实验与分析 | 第46-61页 |
| 8.1 实验环境 | 第46页 |
| 8.2 实验结果 | 第46-61页 |
| 8.2.1 栈式自编码的恶意代码分类算法研究 | 第46-50页 |
| 8.2.2 深度信念网络的恶意代码分类策略研究 | 第50-53页 |
| 8.2.3 基于纹理指纹与活动向量空间的Android恶意代码检测 | 第53-56页 |
| 8.2.4 基于“纹理指纹中值滤波”的Android恶意代码分析检测技术研究 | 第56-61页 |
| 第九章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 硕士研究生期间发表论文 | 第67-68页 |
| 致谢 | 第68-69页 |
