| 摘要 | 第7-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究内容及创新点 | 第12-13页 |
| 1.3 论文组织结构 | 第13-15页 |
| 第二章 移动终端恶意应用检测技术研究现状 | 第15-22页 |
| 2.1 Android安全体系结构 | 第15-17页 |
| 2.1.1 Android系统基本安全结构 | 第15-16页 |
| 2.1.2 Android应用程序基本安全机制 | 第16-17页 |
| 2.2 Android恶意应用检测技术 | 第17-20页 |
| 2.2.1 静态检测技术 | 第17页 |
| 2.2.2 动态检测技术 | 第17-19页 |
| 2.2.3 基于恶意应用网络行为特征的检测技术 | 第19-20页 |
| 2.3 基于机器学习的恶意应用网络行为检测方法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 具有真实类别标识的移动终端恶意软件网络行为数据集的研制 | 第22-44页 |
| 3.1 研制方法 | 第22-27页 |
| 3.1.1 Android恶意应用样本数据集 | 第23页 |
| 3.1.2 流量采集平台 | 第23-24页 |
| 3.1.3 影响恶意流量产生原因分析 | 第24-27页 |
| 3.1.4 流量自动化生成和采集 | 第27页 |
| 3.2 研制实验及结果分析 | 第27-43页 |
| 3.2.1 网络流量数据集采集结果 | 第27-32页 |
| 3.2.2 DNS流量分析 | 第32-34页 |
| 3.2.3 HTTP流量分析 | 第34-41页 |
| 3.2.4 恶意网络行为特征分析 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 一种基于规则的移动终端恶意软件实时检测模型 | 第44-54页 |
| 4.1 相关背景 | 第44-46页 |
| 4.1.1 恶意应用网络行为 | 第44-45页 |
| 4.1.2 DNS工作原理 | 第45-46页 |
| 4.2 系统原型结构 | 第46-49页 |
| 4.3 模型评估 | 第49-53页 |
| 4.3.1 训练模型评估 | 第49-52页 |
| 4.3.2 实时检测模型评估 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于机器学习的移动终端恶意应用入网发现模型 | 第54-79页 |
| 5.1 移动应用网络流量及非平衡问题分析 | 第54-59页 |
| 5.1.1 Android样本数据集 | 第54-55页 |
| 5.1.2 Android样本流量采集 | 第55-56页 |
| 5.1.3 恶意网络数据流的提取 | 第56-58页 |
| 5.1.4 网络流的高度不平衡问题分析 | 第58-59页 |
| 5.2 基于机器学习的Android恶意应用检测 | 第59-67页 |
| 5.2.1 评价方法 | 第59-61页 |
| 5.2.2 网络流特征分析及提取 | 第61-62页 |
| 5.2.3 基于标准分类器的实验及分析 | 第62-64页 |
| 5.2.4 基于非平衡分类器的实验及分析 | 第64-67页 |
| 5.3 改进的非平衡机器学习模型 | 第67-76页 |
| 5.3.1 IDGC模型的优缺点分析 | 第67-68页 |
| 5.3.2 S-IDGC模型 | 第68-76页 |
| 5.4 基于机器学习具有入网发现能力的恶意应用检测模型 | 第76-77页 |
| 5.5 缺点分析 | 第77页 |
| 5.6 本章小结 | 第77-79页 |
| 第六章 结论与展望 | 第79-81页 |
| 参考文献 | 第81-88页 |
| 致谢 | 第88-89页 |
| 附录 | 第89-90页 |
