摘要 | 第5-7页 |
abstract | 第7-8页 |
第1章 绪论 | 第12-26页 |
1.1 课题研究背景及意义 | 第12-14页 |
1.2 Android软件恶意行为相关研究综述 | 第14-21页 |
1.2.1 静态分析检测方法 | 第14-17页 |
1.2.2 动态分析检测方法 | 第17-19页 |
1.2.3 综合性分析检测方法 | 第19-21页 |
1.3 本文研究内容及组织结构 | 第21-26页 |
1.3.1 本文研究内容 | 第21-22页 |
1.3.2 本文组织结构 | 第22-26页 |
第2章 Android体系结构及其安全机制研究 | 第26-39页 |
2.1 Android体系结构 | 第26-28页 |
2.2 Android运行模式 | 第28-29页 |
2.2.1 Android Dalvik运行模式 | 第28-29页 |
2.2.2 Android ART运行模式 | 第29页 |
2.3 Android恶意软件及其分类 | 第29-33页 |
2.3.1 Android恶意软件发展 | 第29-31页 |
2.3.2 Android恶意软件分类 | 第31-33页 |
2.4 Android系统安全机制 | 第33-36页 |
2.5 Android系统安全脆弱性 | 第36-37页 |
2.6 本文各章节研究意义 | 第37-39页 |
第3章 面向行为规则的Android软件恶意行为检测机制 | 第39-59页 |
3.1 引言 | 第39-40页 |
3.2 相关工作 | 第40-41页 |
3.3 基于马尔科夫链的恶意行为指纹构建 | 第41-47页 |
3.3.1 软件恶意行为编码 | 第41-43页 |
3.3.2 基于马尔科夫链的行为转移概率图构建 | 第43-45页 |
3.3.3 行为约简规则 | 第45-47页 |
3.4 粒度化的行为恶意性评估 | 第47-49页 |
3.5 多方协同的恶意行为规则库进化交互协议 | 第49-51页 |
3.6 实验结果与分析 | 第51-57页 |
3.6.1 实验环境与设置 | 第51页 |
3.6.2 恶意行为规则库的构建开销 | 第51-53页 |
3.6.3 基于马尔科夫链的恶意行为检测效能 | 第53-56页 |
3.6.4 粒度化的恶意行为检测评估 | 第56-57页 |
3.7 本章小结 | 第57-59页 |
第4章 多策略优化组合的Android软件恶意行为检测机制 | 第59-80页 |
4.1 引言 | 第59-60页 |
4.2 相关工作 | 第60-62页 |
4.3 Android软件恶意行为四层检测架构 | 第62-63页 |
4.4 恶意行为特征提取与初级检测算法模块 | 第63-68页 |
4.4.1 恶意行为特征提取技术 | 第63-65页 |
4.4.2 初级检测算法 | 第65-68页 |
4.5 基于神经网络的多策略权重学习与投票策略 | 第68-71页 |
4.5.1 多维输入的神经网络训练 | 第68-71页 |
4.5.2 投票策略 | 第71页 |
4.6 实验结果与分析 | 第71-78页 |
4.6.1 实验环境与设置 | 第71-72页 |
4.6.2 初级算法的检测效用评估 | 第72-75页 |
4.6.3 基于神经网络的权重学习算法 | 第75-76页 |
4.6.4 对比验证 | 第76-78页 |
4.7 总结 | 第78-80页 |
第5章 支持任务迁移的轻量级Android软件恶意行为检测方法 | 第80-103页 |
5.1 引言 | 第80-81页 |
5.2 相关工作 | 第81-83页 |
5.3 系统架构 | 第83-85页 |
5.4 电量消耗敏感的恶意软件检测策略 | 第85-95页 |
5.4.1 可迁移结构的划分 | 第85-86页 |
5.4.2 进程迁移决策模块 | 第86-91页 |
5.4.3 虚拟机自省模块 | 第91-95页 |
5.5 实验结果与分析 | 第95-102页 |
5.5.1 实验环境与设置 | 第95-96页 |
5.5.2 基于电量消耗感知的恶意行为检测精度 | 第96-97页 |
5.5.3 任务迁移执行的时效与能耗 | 第97-99页 |
5.5.4 基于虚拟机自省的恶意行为检测 | 第99-100页 |
5.5.5 与经典恶意行为检测机制的对比 | 第100-102页 |
5.6 本章小结 | 第102-103页 |
结论 | 第103-105页 |
参考文献 | 第105-118页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第118-119页 |
致谢 | 第119-120页 |
个人简历 | 第120页 |