| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 权限安全 | 第12-13页 |
| 1.2.2 漏洞挖掘 | 第13页 |
| 1.2.3 隐私保护 | 第13-14页 |
| 1.2.4 应用安全 | 第14-15页 |
| 1.3 本文主要研究工作 | 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 |
| 第二章 相关技术 | 第17-25页 |
| 2.1 Android平台介绍 | 第17-19页 |
| 2.1.1 应用程序层Application | 第17-18页 |
| 2.1.2 应用程序框架层Application Framework | 第18页 |
| 2.1.3 系统运行库层Libraries+Android Runtime | 第18-19页 |
| 2.1.4 内核层Linux Kernel | 第19页 |
| 2.2 Android安全机制 | 第19-22页 |
| 2.2.1 传统访问控制 | 第19-20页 |
| 2.2.2 基于权限的安全模式 | 第20-21页 |
| 2.2.3 “沙箱”机制 | 第21页 |
| 2.2.4 Android数字签名机制 | 第21-22页 |
| 2.3 常用Android恶意软件检测技术 | 第22-24页 |
| 2.3.1 基于静态分析的检测方法 | 第22-23页 |
| 2.3.2 基于动态分析的检测方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 超轻量级Android恶意软件检测算法 | 第25-36页 |
| 3.1 引言 | 第25-27页 |
| 3.1.1 Android反汇编技术 | 第25-26页 |
| 3.1.2 Android分析工具介绍 | 第26-27页 |
| 3.2 算法综述及实现 | 第27-31页 |
| 3.2.1 算法步骤 | 第27-28页 |
| 3.2.2 静态特征提取 | 第28-29页 |
| 3.2.3 特征向量空间构造 | 第29-30页 |
| 3.2.4 二次机器学习 | 第30-31页 |
| 3.3 实验评估 | 第31-35页 |
| 3.3.1 评价指标 | 第31-32页 |
| 3.3.2 数据集 | 第32页 |
| 3.3.3 分类器选择 | 第32-33页 |
| 3.3.4 检测效果 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于多特征聚类的Android恶意软件分类算法 | 第36-47页 |
| 4.1 引言 | 第36页 |
| 4.2 Android恶意软件家族 | 第36-38页 |
| 4.3 算法综述及实现 | 第38-43页 |
| 4.3.1 算法分析 | 第38页 |
| 4.3.2 基于统计的特征提取 | 第38-41页 |
| 4.3.3 基于签名的特征选择 | 第41-43页 |
| 4.4 实验评估 | 第43-46页 |
| 4.4.1 数据集 | 第43页 |
| 4.4.2 权重计算 | 第43-44页 |
| 4.4.3 分类效果 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-50页 |
| 5.1 本文总结 | 第47-48页 |
| 5.2 未来工作展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 作者在学期间取得的学术成果 | 第56页 |
