| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 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11-14页 |
| 1.2.1 静态检测 | 第11-12页 |
| 1.2.2 动态检测 | 第12-13页 |
| 1.2.3 动静结合检测 | 第13-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 理论基础知识分析 | 第16-26页 |
| 2.1 Android平台分析 | 第16-17页 |
| 2.1.1 Android系统架构分析 | 第16-17页 |
| 2.1.2 Android应用程序组件分析 | 第17页 |
| 2.2 机器学习算法分析 | 第17-23页 |
| 2.2.1 随机森林算法 | 第18-19页 |
| 2.2.2 特征选择算法 | 第19-23页 |
| 2.3 Spark框架分析 | 第23-25页 |
| 2.3.1 Spark组件 | 第23-24页 |
| 2.3.2 Spark运行流程 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于改进随机森林算法的Android恶意软件检测 | 第26-38页 |
| 3.1 随机森林算法改进 | 第26-27页 |
| 3.2 AndroidManifest.xml文件与特征选取方法 | 第27-28页 |
| 3.3 恶意软件分类模型设计 | 第28-32页 |
| 3.3.1 模型设计 | 第28-29页 |
| 3.3.2 特征向量提取 | 第29-30页 |
| 3.3.3 分类检测 | 第30-32页 |
| 3.4 恶意软件检测实验与结果 | 第32-37页 |
| 3.4.1 实验样本和环境配置 | 第32页 |
| 3.4.2 特征向量提取及优化 | 第32-35页 |
| 3.4.3 IRF算法分类实验 | 第35-36页 |
| 3.4.4 对比实验与分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 并行环境下的Android恶意软件检测 | 第38-46页 |
| 4.1 问题描述及方案设计 | 第38-39页 |
| 4.2 特征向量提取模块的并行处理设计 | 第39-40页 |
| 4.3 改进随机森林分类模块的并行处理设计 | 第40-42页 |
| 4.3.1 改进随机森林训练过程 | 第40-41页 |
| 4.3.2 分类检测过程 | 第41-42页 |
| 4.4 并行环境下的实验及分析 | 第42-45页 |
| 4.4.1 实验样本和环境配置 | 第42页 |
| 4.4.2 实验方案步骤 | 第42-44页 |
| 4.4.3 单机和并行环境下的特征提取实验 | 第44页 |
| 4.4.4 单机和并行环境下的恶意软件检测实验 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 总结 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 作者简介 | 第52页 |