| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-10页 |
| 1.1.1 智能手机发展状况 | 第8-9页 |
| 1.1.2 智能手机与恶意软件 | 第9-10页 |
| 1.2 Android 恶意软件检测研究现状 | 第10-14页 |
| 1.2.1 检测方法综述 | 第11-12页 |
| 1.2.2 智能手机恶意软件检测研究成果 | 第12-13页 |
| 1.2.3 Android 恶意软件检测研究的难点和挑战 | 第13-14页 |
| 1.3 课题研究内容与意义 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 2 Android 及其相关安全机制 | 第16-22页 |
| 2.1 Android 综述 | 第16-20页 |
| 2.1.1 Android 体系结构 | 第16-18页 |
| 2.1.2 Android 应用程序概述 | 第18-19页 |
| 2.1.3 Android Dalvik 虚拟机 | 第19-20页 |
| 2.2 Android 安全机制 | 第20-21页 |
| 2.2.1 Android Linux 内核安全机制 | 第20页 |
| 2.2.2 Android 本地库及运行环境安全机制 | 第20页 |
| 2.2.3 Android 应用程序框架层安全机制 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 Android 恶意软件静态检测相关理论 | 第22-30页 |
| 3.1 机器学习概述 | 第22-26页 |
| 3.1.1 特征选择 | 第22-24页 |
| 3.1.2 分类算法 | 第24-26页 |
| 3.2 神经网络概述 | 第26-28页 |
| 3.2.1 概率神经网络 | 第27页 |
| 3.2.2 神经网络集成 | 第27-28页 |
| 3.3 本章小结 | 第28-30页 |
| 4 基于权限相关性的 Android 恶意软件检测算法 | 第30-35页 |
| 4.1 Android 权限机制分析 | 第30-31页 |
| 4.2 权限特征选取 | 第31-33页 |
| 4.2.1 基于卡方检验的权限特征过滤 | 第31-32页 |
| 4.2.2 基于聚类的权限特征去冗余 | 第32-33页 |
| 4.3 改进的朴素贝叶斯 Android 软件分类 | 第33-34页 |
| 4.4 本章小结 | 第34-35页 |
| 5 基于集成概率神经网络的 Android 恶意软件检测算法 | 第35-45页 |
| 5.1 引言 | 第35页 |
| 5.2 Android 高危 API 提取 | 第35-41页 |
| 5.2.1 Dalvik 汇编语言基础 | 第35-37页 |
| 5.2.2 逆向提取高危 API | 第37-41页 |
| 5.3 基于集成概率神经网络的 Android 恶意软件分类 | 第41-44页 |
| 5.4 本章小结 | 第44-45页 |
| 6 实验和结果分析 | 第45-59页 |
| 6.1 实验相关工具介绍 | 第45页 |
| 6.1.1 Python 脚本语言 | 第45页 |
| 6.1.2 Baksmali 工具包 | 第45页 |
| 6.2 基于权限相关性检测方案的实验及结果分析 | 第45-50页 |
| 6.2.1 实验设计 | 第45-48页 |
| 6.2.2 结果分析 | 第48-50页 |
| 6.3 基于集成概率神经网络方案的实验及结果分析 | 第50-57页 |
| 6.3.1 实验设计 | 第50-54页 |
| 6.3.2 结果分析 | 第54-57页 |
| 6.4 本章小结 | 第57-59页 |
| 7 总结和展望 | 第59-61页 |
| 7.1 本文工作总结 | 第59页 |
| 7.2 未来工作展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |
| A 作者在攻读学位期间发表的论文目录 | 第66页 |
| B 作者在攻读学位期间取得的科研成果目录 | 第66页 |
