| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文组织与结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 基础理论与相关技术 | 第16-29页 |
| 2.1 Android系统 | 第16-20页 |
| 2.1.1 Android系统结构 | 第16-18页 |
| 2.1.2 Android应用组件 | 第18-20页 |
| 2.2 Android安全机制 | 第20-24页 |
| 2.2.1 Linux内核层安全机制 | 第21-22页 |
| 2.2.2 核心库和Android运行时层安全机制 | 第22-23页 |
| 2.2.3 应用程序框架层安全机制 | 第23-24页 |
| 2.3 Android平台恶意代码 | 第24-26页 |
| 2.3.1 恶意代码的主要类型 | 第24-25页 |
| 2.3.2 恶意代码的主要危害 | 第25-26页 |
| 2.4 Android恶意代码检测技术 | 第26-28页 |
| 2.4.1 基于特征码的检测技术 | 第26-27页 |
| 2.4.2 基于软件行为的检测技术 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于机器学习的Android恶意代码检测方法 | 第29-41页 |
| 3.1 Android应用程序文件特征提取方法 | 第29-34页 |
| 3.1.1 Android APK文件分析 | 第29-30页 |
| 3.1.2 Android应用程序权限信息提取方法 | 第30-31页 |
| 3.1.3 Android应用程序系统API调用信息提取方法 | 第31-33页 |
| 3.1.4 生成Android应用程序文件特征 | 第33-34页 |
| 3.2 Android应用程序文件特征属性选择方法 | 第34-36页 |
| 3.2.1 计算特征属性的信息增益值 | 第34-35页 |
| 3.2.2 基于信息增益的属性选择方法 | 第35-36页 |
| 3.3 机器学习分类算法应用于Android恶意代码检测 | 第36-40页 |
| 3.3.1 Android恶意代码的检测 | 第36页 |
| 3.3.2 机器学习分类算法 | 第36-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 面向Android平台的软件安全检测模型设计与实现 | 第41-51页 |
| 4.1 Android软件安全检测模型的设计 | 第41-44页 |
| 4.2 文件特征提取模块设计与实现 | 第44-47页 |
| 4.3 特征属性选择模块设计与实现 | 第47-48页 |
| 4.4 Android恶意代码检测模块设计与实现 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 实验与结果分析 | 第51-59页 |
| 5.1 实验方案设计 | 第51-52页 |
| 5.1.1 实验数据准备 | 第51-52页 |
| 5.1.2 训练分类模型 | 第52页 |
| 5.2 实验结果与分析 | 第52-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65页 |
