基于机器学习的Android恶意程序多特征检测
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状和存在的问题 | 第11-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第2章 基础理论 | 第15-24页 |
| 2.1 Android安全机制 | 第15-20页 |
| 2.1.1 应用程序签名机制 | 第15-17页 |
| 2.1.2 权限声明机制 | 第17-19页 |
| 2.1.3 其他安全机制 | 第19-20页 |
| 2.2 恶意行为检测技术 | 第20-23页 |
| 2.2.1 静态分析 | 第20-21页 |
| 2.2.2 动态分析 | 第21页 |
| 2.2.3 机器学习检测技术 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于机器学习的检测方案 | 第24-36页 |
| 3.1 检测框架设计 | 第24页 |
| 3.2 特征提取 | 第24-27页 |
| 3.2.1 函数调用特征提取 | 第24-26页 |
| 3.2.2 系统调用特征提取 | 第26-27页 |
| 3.3 特征选择 | 第27-30页 |
| 3.3.1 信息增益 | 第27-28页 |
| 3.3.2 改进的卡方统计 | 第28-30页 |
| 3.4 分类模型的建立 | 第30-35页 |
| 3.4.1 朴素贝叶斯 | 第30-31页 |
| 3.4.2 KNN算法 | 第31-32页 |
| 3.4.3 SVM算法 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 实验结果分析 | 第36-43页 |
| 4.1 实验设计 | 第36页 |
| 4.2 实验评价标准 | 第36-37页 |
| 4.3 实验结果与分析 | 第37-42页 |
| 4.3.1 结果分析 | 第37-40页 |
| 4.3.2 与Androguard检测方法的比较 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 总结与展望 | 第43-45页 |
| 5.1 全文总结 | 第43-44页 |
| 5.2 展望 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 攻读学位期间获得与学位相关的科研成果目录 | 第50页 |
