| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 Android系统发展状况 | 第10-11页 |
| 1.1.2 Android系统恶意代码 | 第11-12页 |
| 1.2 Android系统恶意代码与检测技术研究现状 | 第12-15页 |
| 1.2.1 检测与防御技术综述 | 第12-14页 |
| 1.2.2 研究的困难与挑战 | 第14-15页 |
| 1.3 本文主要内容 | 第15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 Android系统简介 | 第17-24页 |
| 2.1 Android系统构架 | 第17-20页 |
| 2.1.1 应用程序层 | 第17-18页 |
| 2.1.2 应用程序框架层 | 第18页 |
| 2.1.3 系统运行库层 | 第18-19页 |
| 2.1.4 Linux系统内核层 | 第19-20页 |
| 2.2 Android系统四大组件 | 第20-21页 |
| 2.2.1 活动（Activity） | 第20-21页 |
| 2.2.2 服务（Service） | 第21页 |
| 2.2.3 内容提供商（Content Provider） | 第21页 |
| 2.2.4 广播接收器（Broadcast Receiver） | 第21页 |
| 2.3 Android系统安全特点 | 第21-22页 |
| 2.4 Android系统权限模型 | 第22-23页 |
| 2.5 Android系统权限保护级别 | 第23页 |
| 2.6 本章小结 | 第23-24页 |
| 3 机器学习相关理论 | 第24-37页 |
| 3.1 机器学习概述 | 第24-30页 |
| 3.1.1 学习定义 | 第24-25页 |
| 3.1.2 特征选择 | 第25-28页 |
| 3.1.3 分类算法 | 第28-30页 |
| 3.2 小样例统计学习理论 | 第30-33页 |
| 3.3 支持向量机（SVM）算法 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于类别SVM的Android系统恶意代码检测与防御技术研究与实现 | 第37-48页 |
| 4.1 恶意代码检测技术的不足与改进 | 第37-38页 |
| 4.1.1 目前的检测技术的存在的不足 | 第37页 |
| 4.1.2 基于机器学习的Android系统恶意代码检测技术研究 | 第37-38页 |
| 4.2 类别SVM引入Android系统恶意代码检测与防御技术研究 | 第38-39页 |
| 4.3 方案设计 | 第39-46页 |
| 4.3.1 数据收集 | 第40-41页 |
| 4.3.2 反编译数据 | 第41页 |
| 4.3.3 特征提取 | 第41-45页 |
| 4.3.4 二进制向量生成 | 第45页 |
| 4.3.5 特征选择 | 第45-46页 |
| 4.4 分类模型 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 实验与评估 | 第48-52页 |
| 5.1 实验环境 | 第48页 |
| 5.2 实验设置 | 第48页 |
| 5.3 评估参数 | 第48-49页 |
| 5.4 分类器实验组实验数据 | 第49-51页 |
| 5.4.1 所有APP测试 | 第49-50页 |
| 5.4.2 社交APP测试 | 第50页 |
| 5.4.3 游戏APP测试 | 第50-51页 |
| 5.5 结论 | 第51-52页 |
| 6 总结与展望 | 第52-53页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间的主要成果 | 第57-58页 |
| 致谢 | 第58页 |
