| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.3 论文目标与内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 2 Android平台应用行为分析与检测基础 | 第19-28页 |
| 2.1 Android平台简介 | 第19-23页 |
| 2.1.1 Android整体框架 | 第19-21页 |
| 2.1.2 Android系统组件 | 第21-23页 |
| 2.2 Android安全机制 | 第23-25页 |
| 2.2.1 访问控制机制 | 第23-24页 |
| 2.2.2 权限管理机制 | 第24页 |
| 2.2.3 数字签名机制 | 第24页 |
| 2.2.4 沙盒机制 | 第24页 |
| 2.2.5 存在的问题 | 第24-25页 |
| 2.3 网络行为分析与检测技术 | 第25-27页 |
| 2.3.1 基于规则的网络流量检测 | 第25-26页 |
| 2.3.2 基于统计分析的网络流量检测 | 第26页 |
| 2.3.3 基于机器学习的网络流量检测 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 网络行为序列的提取与重构 | 第28-39页 |
| 3.1 网络流量监测 | 第28-30页 |
| 3.2 网络行为提取与清洗 | 第30-35页 |
| 3.2.1 网络行为特征分析与提取 | 第30-34页 |
| 3.2.2 网络流量清洗 | 第34-35页 |
| 3.3 网络行为特征的重构 | 第35-38页 |
| 3.3.1 网络行为特征选择 | 第35-36页 |
| 3.3.2 重构网络事件-行为时序序列模型 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 面向Android应用行为序列分类的LSTM模型 | 第39-47页 |
| 4.1 行为一致性理论 | 第39-40页 |
| 4.2 LSTM神经网络简介 | 第40-42页 |
| 4.2.1 LSTM神经网络 | 第40-41页 |
| 4.2.2 相关研究工作 | 第41-42页 |
| 4.3 带有特殊输入结构的LSTM模型设计 | 第42-46页 |
| 4.3.1 整体网络结构设计 | 第42页 |
| 4.3.2 特殊的输入层结构设计 | 第42-44页 |
| 4.3.3 隐藏层设计 | 第44-46页 |
| 4.3.4 输出层设计 | 第46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 基于GAN的网络行为时序序列的生成 | 第47-57页 |
| 5.1 生成新数据的意义 | 第47页 |
| 5.2 生成对抗网络简介 | 第47-49页 |
| 5.2.1 生成对抗网络 | 第47-48页 |
| 5.2.2 相关研究工作 | 第48-49页 |
| 5.3 生成对抗网络模型设计 | 第49-56页 |
| 5.3.1 整体网络结构设计 | 第49页 |
| 5.3.2 GRU神经网络实现 | 第49-51页 |
| 5.3.3 基于GRU的判别器设计 | 第51-52页 |
| 5.3.4 基于GRU的生成器设计 | 第52-54页 |
| 5.3.5 生成对抗网络训练算法 | 第54-55页 |
| 5.3.6 数据处理 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 实验与评估 | 第57-70页 |
| 6.1 实验环境和实验数据 | 第57-58页 |
| 6.2 面向Android应用行为的LSTM分类模型实验 | 第58-60页 |
| 6.2.1 实验方法 | 第58页 |
| 6.2.2 实验结果与分析 | 第58-60页 |
| 6.3 基于GAN的网络行为时序序列的生成实验 | 第60-62页 |
| 6.3.1 实验方法 | 第60-61页 |
| 6.3.2 实验结果与分析 | 第61-62页 |
| 6.4 行为一致性验证与分析 | 第62-68页 |
| 6.4.1 自我一致性 | 第62-64页 |
| 6.4.2 同类一致性 | 第64-68页 |
| 6.5 性能评估 | 第68-69页 |
| 6.6 本章小结 | 第69-70页 |
| 7 总结与展望 | 第70-72页 |
| 7.1 总结 | 第70-71页 |
| 7.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 附录 | 第77页 |