| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 2 Android恶意软件查杀技术概述 | 第15-25页 |
| 2.1 Android体系结构 | 第15-16页 |
| 2.2 Android的安全机制 | 第16-19页 |
| 2.2.1 Android安全模型 | 第16-17页 |
| 2.2.2 Android的权限机制 | 第17-18页 |
| 2.2.3 Android的权限机制的缺陷 | 第18页 |
| 2.2.4 Android的安全隐患 | 第18-19页 |
| 2.3 Android恶意软件 | 第19-20页 |
| 2.3.1 Android恶意软件类型 | 第19-20页 |
| 2.3.2 Android恶意软件攻击手段 | 第20页 |
| 2.4 Android恶意软件分析手段 | 第20-24页 |
| 2.4.1 特征提取法 | 第20-21页 |
| 2.4.2 静态分析 | 第21-22页 |
| 2.4.3 动态分析 | 第22-23页 |
| 2.4.4 机器学习 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于Google距离的Android恶意代码特征提取方法 | 第25-35页 |
| 3.1 Google距离 | 第25-27页 |
| 3.2 特征提取的步骤和方法 | 第27-34页 |
| 3.2.1 特征关键字的提取 | 第27-30页 |
| 3.2.2 特征提取的具体步骤 | 第30-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4 基于SVM向量机的恶意软件分类 | 第35-48页 |
| 4.1 SVM简介 | 第35-39页 |
| 4.1.1 最优超平面 | 第35-37页 |
| 4.1.2 向量机的优势 | 第37-38页 |
| 4.1.3 核函数 | 第38-39页 |
| 4.2 基于SVM的恶意软件侦测系统模型设计 | 第39-47页 |
| 4.2.1 系统框架设计 | 第39-40页 |
| 4.2.2 SVM建模 | 第40-41页 |
| 4.2.3 SVM向量机学习模快 | 第41-43页 |
| 4.2.4 决策 | 第43-44页 |
| 4.2.5 核函数效果比较 | 第44-47页 |
| 4.3 本章小结 | 第47-48页 |
| 5 实验结果及分析 | 第48-53页 |
| 5.1 恶意软件特征分析 | 第48-50页 |
| 5.2 恶意软件检测 | 第50-51页 |
| 5.3 展望 | 第51-52页 |
| 5.4 结束语 | 第52-53页 |
| 参考文献 | 第53-61页 |
| 攻读学位期间的科研情况 | 第61页 |