Android应用特征空间优化及其恶意行为检测
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 论文的主要研究工作 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 2 Android技术背景研究 | 第16-26页 |
| 2.1 Android体系结构概述 | 第16-22页 |
| 2.1.1 Android系统架构 | 第16-17页 |
| 2.1.2 Android应用程序架构 | 第17-21页 |
| 2.1.3 Android应用程序文件结构 | 第21-22页 |
| 2.2 Android系统安全机制 | 第22-25页 |
| 2.2.1 平台级的安全机制 | 第22-23页 |
| 2.2.2 应用层的安全机制 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 Android应用数据收集 | 第26-35页 |
| 3.1 系统环境及数据描述 | 第26页 |
| 3.2 动态数据收集 | 第26-30页 |
| 3.2.1 运行环境介绍 | 第27页 |
| 3.2.2 基于DroidBox的动态数据收集 | 第27-30页 |
| 3.3 静态数据收集 | 第30-33页 |
| 3.3.1 Android应用反编译 | 第30-32页 |
| 3.3.2 Android应用静态数据收集 | 第32-33页 |
| 3.4 数据融合 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 Android应用特征空间优化 | 第35-51页 |
| 4.1 特征优化方法及流程 | 第35-36页 |
| 4.2 基于类别的特征选择FSBC | 第36-38页 |
| 4.2.1 特征空间优化分析 | 第36-38页 |
| 4.2.2 FSBC降维结果 | 第38页 |
| 4.3 基于LCS-TF-IDF的特征选择 | 第38-44页 |
| 4.3.1 特征空间优化分析 | 第38-40页 |
| 4.3.2 LCS | 第40-41页 |
| 4.3.3 TF-IDF | 第41页 |
| 4.3.4 LCS-TF-IDF降维方法 | 第41-43页 |
| 4.3.5 LCS-TF-IDF降维结果 | 第43-44页 |
| 4.4 基于机器学习的空间优化 | 第44-50页 |
| 4.4.1 特征向量化 | 第44-45页 |
| 4.4.2 CFS特征选择 | 第45-46页 |
| 4.4.3 CFS降维结果 | 第46-47页 |
| 4.4.4 PCA特征提取 | 第47-48页 |
| 4.4.5 PCA降维结果 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 Android应用恶意行为分类 | 第51-64页 |
| 5.1 分类算法简介 | 第51-57页 |
| 5.1.1 决策树 | 第51-52页 |
| 5.1.2 支持向量机 | 第52-54页 |
| 5.1.3 k-近邻 | 第54-55页 |
| 5.1.4 贝叶斯 | 第55-56页 |
| 5.1.5 集成学习 | 第56-57页 |
| 5.1.6 其他分类算法 | 第57页 |
| 5.2 分类及实验结果分析 | 第57-63页 |
| 5.2.1 LCS-TF-IDF降维分析 | 第57-59页 |
| 5.2.2 CFS和PCA降维分析 | 第59-62页 |
| 5.2.3 不同类型特征分类 | 第62-63页 |
| 5.3 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 参考文献 | 第66-68页 |
| 作者简历 | 第68-70页 |
| 学位论文数据集 | 第70页 |
