摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第14-23页 |
1.1 研究背景和意义 | 第14-16页 |
1.2 研究现状 | 第16-20页 |
1.2.1 基于静态分析的检测 | 第16-17页 |
1.2.2 基于动态分析的检测 | 第17-19页 |
1.2.3 基于机器学习的检测 | 第19-20页 |
1.3 主要研究内容 | 第20-21页 |
1.4 论文组织结构 | 第21-23页 |
第2章 Android系统及相关技术 | 第23-33页 |
2.1 Android系统 | 第23-27页 |
2.1.1 系统简介 | 第23-25页 |
2.1.2 Android应用程序包结构 | 第25-27页 |
2.2 Android恶意应用 | 第27-30页 |
2.2.1 恶意应用类别 | 第27-29页 |
2.2.2 对抗检测技术 | 第29-30页 |
2.3 Android安全机制 | 第30-31页 |
2.3.1 沙箱机制 | 第30页 |
2.3.2 签名机制 | 第30页 |
2.3.3 权限机制 | 第30-31页 |
2.4 机器学习算法简介 | 第31-32页 |
2.5 本章小结 | 第32-33页 |
第3章 基于本地行为和集成学习的Android恶意应用检测 | 第33-52页 |
3.1 本地行为描述 | 第33-36页 |
3.1.1 本地行为特征的类型 | 第33-35页 |
3.1.2 本地行为特征的分类 | 第35-36页 |
3.2 系统框架 | 第36-44页 |
3.2.1 系统结构 | 第36-37页 |
3.2.2 特征提取模块 | 第37-38页 |
3.2.3 特征选择模块 | 第38-39页 |
3.2.4 特征描述模块 | 第39-40页 |
3.2.5 并行机器学习模块 | 第40-42页 |
3.2.6 多分类器集成模块 | 第42-44页 |
3.3 实验评估 | 第44-51页 |
3.3.1 实验设置 | 第44页 |
3.3.2 检测性能评估 | 第44-47页 |
3.3.3 检测结果的比较 | 第47-49页 |
3.3.4 运行时性能评估 | 第49-51页 |
3.4 本章小结 | 第51-52页 |
第4章 基于网络行为和集成学习的Android恶意应用检测 | 第52-63页 |
4.1 网络行为描述 | 第52-54页 |
4.2 系统框架 | 第54-58页 |
4.2.1 设计原理 | 第54-57页 |
4.2.2 系统结构 | 第57-58页 |
4.3 实验评估 | 第58-61页 |
4.3.1 实验设置 | 第58-59页 |
4.3.2 算法时间开销论证 | 第59-60页 |
4.3.3 检测效果评估 | 第60-61页 |
4.4 基于网络行为与本地行为的集成检测 | 第61-62页 |
4.5 本章小结 | 第62-63页 |
第5章 Android应用行为特征细粒度分析 | 第63-76页 |
5.1 本地行为对比分析 | 第63-66页 |
5.2 本地行为持久性分析 | 第66-71页 |
5.2.1 特征持久性实验 | 第66-68页 |
5.2.2 特征持久性分析 | 第68-71页 |
5.3 网络行为对比分析 | 第71-73页 |
5.4 网络行为持久性分析 | 第73-74页 |
5.4.1 特征持久性实验 | 第73-74页 |
5.4.2 特征持久性分析 | 第74页 |
5.5 本章小结 | 第74-76页 |
结论 | 第76-78页 |
参考文献 | 第78-83页 |
附录 A 发表论文和参加科研情况说明 | 第83-84页 |
致谢 | 第84页 |