| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 传统的恶意软件检测技术 | 第12-13页 |
| 1.2.2 基于传统机器学习的恶意软件检测技术 | 第13-14页 |
| 1.2.3 基于集成学习算法的恶意软件检测技术 | 第14-15页 |
| 1.3 研究内容与论文构成 | 第15-17页 |
| 第二章 基础知识 | 第17-24页 |
| 2.1 Android应用程序基础知识 | 第17-18页 |
| 2.2 恶意软件传播策略 | 第18页 |
| 2.3 张量分解算法 | 第18-21页 |
| 2.4 集成学习算法 | 第21-24页 |
| 第三章 基于张量分解技术的恶意软件检测方法 | 第24-37页 |
| 3.1 总体概述 | 第24-25页 |
| 3.2 系统架构设计 | 第25-26页 |
| 3.3 系统架构详述 | 第26-34页 |
| 3.3.1 特征提取 | 第27-30页 |
| 3.3.2 原始张量构建 | 第30-31页 |
| 3.3.3 张量分解及其规则化 | 第31-34页 |
| 3.3.4 分类 | 第34页 |
| 3.4 实验评估 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于集成学习与张量分解技术的恶意软件检测方法 | 第37-48页 |
| 4.1 总体概述 | 第37-38页 |
| 4.2 系统架构设计 | 第38-39页 |
| 4.3 系统架构详述 | 第39-42页 |
| 4.3.1 基学习器的生成 | 第39-41页 |
| 4.3.2 Boosting集成构建 | 第41-42页 |
| 4.4 实验评估 | 第42-47页 |
| 4.4.1 实验配置 | 第42-44页 |
| 4.4.2 实验结果 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 Android恶意软件进程分析 | 第48-62页 |
| 5.1 Android恶意软件的分类 | 第48-56页 |
| 5.2 Android恶意软件进程分析与评估 | 第56-61页 |
| 5.2.1 恶意软件家族总体进程分析 | 第56-58页 |
| 5.2.2 多维度比较的进程分析 | 第58-61页 |
| 5.3 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-71页 |
| 致谢 | 第71-72页 |
| 在读期间发表的论文 | 第72页 |