基于流量特征的Android恶意软件检测方法研究
| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 研究内容 | 第10-12页 |
| 1.4 论文结构及其安排 | 第12-14页 |
| 第二章 Android相关技术 | 第14-21页 |
| 2.1 Android系统结构综述 | 第14-15页 |
| 2.2 Android微内核组件分析 | 第15-16页 |
| 2.3 Android自安全机制 | 第16-18页 |
| 2.3.1 内核安全机制 | 第17页 |
| 2.3.2 Android系统安全机制分析 | 第17-18页 |
| 2.4 Android系统常见恶意行为 | 第18-19页 |
| 2.5 本章小结 | 第19-21页 |
| 第三章 基于信息增益的流量特征选择 | 第21-28页 |
| 3.1 APP流量特征分析与提取 | 第21-27页 |
| 3.1.1 流量属性分析与提取 | 第22-23页 |
| 3.1.2 信息增益算法 | 第23-25页 |
| 3.1.3 IG算法在流量特征中的应用举例 | 第25-27页 |
| 3.2 本章小结 | 第27-28页 |
| 第四章 改进的贝叶斯决策模型 | 第28-35页 |
| 4.1 贝叶斯决策模型算法 | 第28-34页 |
| 4.1.1 朴素贝叶斯分类模型的算法原理 | 第29-30页 |
| 4.1.2 改进的贝叶斯算法 | 第30-31页 |
| 4.1.3 恶意软件检测框架 | 第31-32页 |
| 4.1.4 样例分析 | 第32-34页 |
| 4.2 本章小结 | 第34-35页 |
| 第五章 基于流量特征的Android恶意软件检测 | 第35-47页 |
| 5.1 检测框架的设计 | 第35-36页 |
| 5.2 特征提取模块 | 第36-37页 |
| 5.3 数据预处理模块 | 第37页 |
| 5.4 实验工具介绍 | 第37-39页 |
| 5.5 实验方案设计 | 第39-42页 |
| 5.5.1 样本数据源 | 第39-40页 |
| 5.5.2 实验步骤 | 第40-41页 |
| 5.5.3 评价标准 | 第41-42页 |
| 5.6 实验结果对比分析 | 第42-46页 |
| 5.6.1 数据预处理结果对比分析 | 第43-44页 |
| 5.6.2 实验结果对比分析 | 第44-46页 |
| 5.7 本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-50页 |
| 6.1 本文工作总结 | 第47-48页 |
| 6.2 未来工作展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 攻读学位期间发表的学术论文 | 第55-56页 |
