| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-18页 |
| 1.1 选题背景 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 本论文的研究内容及意义 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 2 安卓系统安全和深度学习的基本理论 | 第18-31页 |
| 2.1 安卓系统安全分析 | 第18-24页 |
| 2.1.1 安卓系统架构 | 第18-20页 |
| 2.1.2 安卓应用程序结构 | 第20-22页 |
| 2.1.3 安卓系统安全机制 | 第22页 |
| 2.1.4 安卓应用特征分析 | 第22-24页 |
| 2.2 深度学习方法原理 | 第24-30页 |
| 2.2.1 激活函数 | 第25-26页 |
| 2.2.2 自编码网络 | 第26-27页 |
| 2.2.3 卷积神经网络 | 第27-30页 |
| 2.3 本章总结 | 第30-31页 |
| 3 基于卷积神经网络的安卓恶意应用检测 | 第31-44页 |
| 3.1 数据集构建 | 第31-33页 |
| 3.1.1 应用样本的收集 | 第31-32页 |
| 3.1.2 特征提取及数据预处理 | 第32-33页 |
| 3.2 基于卷积神经网络的安卓恶意应用检测模型 | 第33-42页 |
| 3.2.1 基于卷积神经网络的安卓恶意应用检测模型的构建 | 第33-38页 |
| 3.2.2 卷积神经网络模型的训练过程 | 第38-39页 |
| 3.2.3 基于机器学习的安卓恶意应用检测模型构建 | 第39-40页 |
| 3.2.4 评价指标 | 第40-41页 |
| 3.2.5 实验结果与分析 | 第41-42页 |
| 3.3 本章小结 | 第42-44页 |
| 4 基于自编码和卷积神经网络的安卓恶意应用检测 | 第44-52页 |
| 4.1 基于稀疏自编码网络的安卓恶意应用检测 | 第44-47页 |
| 4.1.1 稀疏自编码网络模型的构建 | 第44-45页 |
| 4.1.2 稀疏自编码网络的训练过程 | 第45-46页 |
| 4.1.3 实验结果与分析 | 第46-47页 |
| 4.2 基于自编码和卷积神经网络的安卓恶意应用检测 | 第47-51页 |
| 4.2.1 自编码和卷积神经网络模型的构建 | 第47-49页 |
| 4.2.2 实验结果与分析 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 5 基于卷积神经网络的安卓应用多分类 | 第52-57页 |
| 5.1 数据集的构建 | 第52页 |
| 5.2 基于卷积神经网络的安卓应用多分类模型的构建 | 第52-53页 |
| 5.3 实验结果与分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第63-65页 |
| 学位论文数据集 | 第65页 |
