基于机器学习的Android恶意软件检测方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要研究内容 | 第10页 |
| 1.4 本文组织结构 | 第10-12页 |
| 第二章 Android平台相关理论知识 | 第12-19页 |
| 2.1 Android系统架构 | 第12-13页 |
| 2.2 Android应用结构 | 第13-15页 |
| 2.3 Android四大组件 | 第15-16页 |
| 2.4 Android安全机制 | 第16-17页 |
| 2.5 Android恶意软件检测方法 | 第17页 |
| 2.6 本章小结 | 第17-19页 |
| 第三章 基于改进朴素贝叶斯的恶意软件检测 | 第19-26页 |
| 3.1 朴素贝叶斯的检测方法 | 第19-21页 |
| 3.1.1 朴素贝叶斯算法 | 第19-20页 |
| 3.1.2 属性加权朴素贝叶斯算法 | 第20-21页 |
| 3.2 改进朴素贝叶斯检测方案分析 | 第21-22页 |
| 3.3 关键技术 | 第22-24页 |
| 3.3.1 样本集 | 第22页 |
| 3.3.2 特征选择 | 第22-23页 |
| 3.3.3 特征提取 | 第23-24页 |
| 3.3.4 构造特征向量 | 第24页 |
| 3.4 本章小结 | 第24-26页 |
| 第四章 基于多算法融合决策的恶意软件检测 | 第26-36页 |
| 4.1 机器学习算法 | 第26-29页 |
| 4.2 多算法融合决策思想 | 第29-31页 |
| 4.3 基于多算法融合决策的检测模型框架 | 第31-32页 |
| 4.4 关键技术 | 第32-35页 |
| 4.4.1 smali语义 | 第32页 |
| 4.4.2 特征选择 | 第32-34页 |
| 4.4.3 特征提取 | 第34-35页 |
| 4.5 本章小结 | 第35-36页 |
| 第五章 实验结果分析与评估 | 第36-41页 |
| 5.1 实验环境 | 第36页 |
| 5.2 实验数据 | 第36页 |
| 5.3 实验评估标准 | 第36-37页 |
| 5.4 实验步骤 | 第37-38页 |
| 5.5 实验结果对比 | 第38-40页 |
| 5.6 本章小结 | 第40-41页 |
| 第六章 总结与展望 | 第41-42页 |
| 6.1 总结 | 第41页 |
| 6.2 展望 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 在学期间发表的学术论文及科研成果清单 | 第46-47页 |
| 致谢 | 第47页 |
