| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 静态分析类恶意应用检测 | 第13-14页 |
| 1.2.2 动态分析类恶意应用检测 | 第14-16页 |
| 1.2.3 基于机器学习的恶意应用检测 | 第16-17页 |
| 1.2.4 恶意应用检测中的特征选择算法 | 第17页 |
| 1.3 本文组织结构 | 第17-19页 |
| 第2章 Android系统及安全机制 | 第19-27页 |
| 2.1 Android系统简介 | 第19-21页 |
| 2.2 Android恶意应用简介 | 第21-24页 |
| 2.3 Android安全机制 | 第24-26页 |
| 2.3.1 隔离机制 | 第24页 |
| 2.3.2 权限机制 | 第24页 |
| 2.3.3 Android系统安全性分析 | 第24-25页 |
| 2.3.4 Android权限机制的改进 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于FrequenSel的Android恶意应用检测 | 第27-47页 |
| 3.1 技术原理 | 第27-28页 |
| 3.2 特征的类型 | 第28-30页 |
| 3.2.1 权限类 | 第28-29页 |
| 3.2.2 API类 | 第29页 |
| 3.2.3 ACTION类 | 第29页 |
| 3.2.4 IP和URL类 | 第29-30页 |
| 3.3 特征选择算法 | 第30-32页 |
| 3.3.1 卡方检验和信息增益 | 第30-31页 |
| 3.3.2 分布偏移和长尾效应 | 第31-32页 |
| 3.4 系统框架 | 第32-40页 |
| 3.4.1 系统结构 | 第32-33页 |
| 3.4.2 特征提取模块 | 第33-36页 |
| 3.4.3 特征选择模块 | 第36-39页 |
| 3.4.4 分类模块 | 第39-40页 |
| 3.5 实验评估 | 第40-45页 |
| 3.5.1 实验环境 | 第40-41页 |
| 3.5.2 评估标准 | 第41-42页 |
| 3.5.3 实验结果 | 第42-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第4章 基于深信度网络DBNSel的特征选择算法研究 | 第47-58页 |
| 4.1 深信度网络简介 | 第47-48页 |
| 4.2 技术原理 | 第48-51页 |
| 4.2.1 特征选择与特征学习 | 第48-49页 |
| 4.2.2 基于深信度网络的特征选择 | 第49-51页 |
| 4.3 系统框架 | 第51-52页 |
| 4.4 实验评估 | 第52-57页 |
| 4.4.1 实验环境 | 第52-53页 |
| 4.4.2 网络结构搜索 | 第53-54页 |
| 4.4.3 恶意应用比例对结果的影响 | 第54页 |
| 4.4.4 DBNSel训练时间 | 第54-55页 |
| 4.4.5 与其他恶意应用检测算法和工具的对比 | 第55-56页 |
| 4.4.6 开放测试 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 附录A 发表论文和参加科研情况说明 | 第65页 |