| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 研究内容 | 第10-11页 |
| 1.4 论文结构及其安排 | 第11-13页 |
| 第二章 Android相关技术 | 第13-22页 |
| 2.1 Android平台体系结构 | 第13-14页 |
| 2.2 Android应用程序分析 | 第14-17页 |
| 2.2.1 Activity组件 | 第15页 |
| 2.2.2 BroadcastReciever组件 | 第15页 |
| 2.2.3 service组件 | 第15-16页 |
| 2.2.4 Content Provider组件 | 第16页 |
| 2.2.5 binderinterface | 第16-17页 |
| 2.3 Android安全机制 | 第17-19页 |
| 2.3.1 内核安全机制 | 第17-18页 |
| 2.3.2 Android特有安全机制 | 第18-19页 |
| 2.4 Android常见恶意行为 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于信息增益和卡方检验预处理的组合特征集 | 第22-33页 |
| 3.1 权限特征和敏感API特征分析与提取 | 第22-27页 |
| 3.1.1 权限特征属性分析与提取 | 第22-24页 |
| 3.1.2 敏感API特征属性分析与提取 | 第24-27页 |
| 3.2 信息增益和卡方检验组合数据预处理算法 | 第27-32页 |
| 3.2.1 信息增益算法和卡方检验算法 | 第27-28页 |
| 3.2.2 信息增益-卡方检验组合算法 | 第28-29页 |
| 3.2.3 样例分析 | 第29-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 基于加权朴素贝叶斯算法的Android恶意软件检测 | 第33-39页 |
| 4.1 基于属性加权朴素贝叶斯分类模型算法 | 第33-36页 |
| 4.1.1 朴素贝叶斯分类模型的算法原理 | 第33-34页 |
| 4.1.2 属性加权朴素贝叶斯分类算法原理 | 第34-36页 |
| 4.2 基于加权朴素贝叶斯算法的Android恶意软件检测 | 第36-38页 |
| 4.2.1 加权朴素贝叶斯分类算法的恶意软件检测模型 | 第36-37页 |
| 4.2.2 样例分析 | 第37-38页 |
| 4.3 本章小结 | 第38-39页 |
| 第五章 Android恶意软件检测框架实现 | 第39-49页 |
| 5.1 检测框架的设计 | 第39-40页 |
| 5.2 特征提取模块 | 第40-41页 |
| 5.3 数据预处理模块 | 第41-42页 |
| 5.4 实验工具介绍 | 第42页 |
| 5.5 实验方案设计 | 第42-45页 |
| 5.5.1 样本数据源 | 第42-43页 |
| 5.5.2 实验步骤 | 第43-44页 |
| 5.5.3 评价标准 | 第44-45页 |
| 5.6 实验结果分析 | 第45-48页 |
| 5.6.1 未预处理的权限-敏感API组合特征集分类结果分析 | 第45-46页 |
| 5.6.2 基于信息增益-卡方检验算法预处理分类结果分析 | 第46-47页 |
| 5.6.3 基于改进朴素贝叶斯分类结果分析 | 第47-48页 |
| 5.7 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 本文工作总结 | 第49-50页 |
| 6.2 未来工作展望 | 第50-51页 |
| 参考文献 | 第51-53页 |
| 附录1 本文作者申请的专利 | 第53-54页 |
| 致谢 | 第54页 |
