论文目录 | |
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 引言 | 第11-16页 |
| 1.1 课题背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 静态检测研究现状 | 第12页 |
| 1.2.2 动态检测研究现状 | 第12-13页 |
| 1.2.3 动态静态相结合检测研究现状 | 第13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 背景知识及相关技术 | 第16-33页 |
| 2.1 Android系统架构 | 第16-18页 |
| 2.1.1 Android应用层 | 第16-17页 |
| 2.1.2 Android应用框架层 | 第17-18页 |
| 2.1.3 Android系统运行层 | 第18页 |
| 2.1.4 Linux内核层 | 第18页 |
| 2.2 Android安全机制 | 第18-19页 |
| 2.2.1 Linux内核层安全机制 | 第19页 |
| 2.2.2 Android应用框架层安全机制 | 第19页 |
| 2.3 Android应用程序包结构 | 第19-20页 |
| 2.4 Android恶意软件分类 | 第20-22页 |
| 2.5 相关算法 | 第22-32页 |
| 2.5.1 Naive Bayesian | 第22-23页 |
| 2.5.2 Random Forest | 第23-24页 |
| 2.5.3 KNN | 第24-26页 |
| 2.5.4 Xgboost | 第26-27页 |
| 2.5.5 SVM | 第27-30页 |
| 2.5.6 Bayesian Optimization | 第30-31页 |
| 2.5.7 Autoencoder Network | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 分类数据特征的提取及预处理 | 第33-53页 |
| 3.1 静态特征选择 | 第33-40页 |
| 3.1.1 Permission特征选择 | 第33-35页 |
| 3.1.2 Intent特征选择 | 第35-37页 |
| 3.1.3 API特征选择 | 第37-38页 |
| 3.1.4 Hardware components特征选择 | 第38-39页 |
| 3.1.5 网络地址特征选择 | 第39-40页 |
| 3.2 动态特征选择 | 第40-41页 |
| 3.3 数据获取 | 第41-42页 |
| 3.4 静态特征提取 | 第42-50页 |
| 3.4.1 Permission | 第43-45页 |
| 3.4.2 Intent | 第45-47页 |
| 3.4.3 API | 第47-49页 |
| 3.4.4 Hardware components | 第49-50页 |
| 3.4.5 网络地址 | 第50页 |
| 3.5 动态特征提取 | 第50-51页 |
| 3.6 特征向量化 | 第51-52页 |
| 3.7 特征向量归一化 | 第52页 |
| 3.8 本章小结 | 第52-53页 |
| 第四章 基于Xgboost的静态检测模型 | 第53-64页 |
| 4.1 静态检测模型整体框架 | 第53-54页 |
| 4.2 实验数据 | 第54页 |
| 4.3 实验方法 | 第54-57页 |
| 4.3.1 K-折交叉验证 | 第55页 |
| 4.3.2 留出法 | 第55-56页 |
| 4.3.3 改进的贝叶斯优化算法 | 第56-57页 |
| 4.4 模型评价标准 | 第57-58页 |
| 4.5 模型结果分析 | 第58-62页 |
| 4.5.1 模型选择方法的选取 | 第58-60页 |
| 4.5.2 最优分类算法的选取 | 第60-61页 |
| 4.5.3 分类模型参数调优 | 第61-62页 |
| 4.5.4 实验结论 | 第62页 |
| 4.6 与现有研究结果对比 | 第62-63页 |
| 4.7 本章小结 | 第63-64页 |
| 第五章 基于深度降噪收缩自编码网络的动态检测模型 | 第64-75页 |
| 5.1 动态检测模型整体框架 | 第64-65页 |
| 5.2 基于深度降噪收缩自编码网络的动态检测模型设计 | 第65-67页 |
| 5.2.1 降噪自编码网络 | 第65页 |
| 5.2.2 收缩自编码网络 | 第65-66页 |
| 5.2.3 深度降噪收缩自编码网络设计 | 第66-67页 |
| 5.2.4 网络深度及神经元个数设计 | 第67页 |
| 5.3 深度降噪收缩自编码网络的训练 | 第67-70页 |
| 5.3.1 模型逐层非监督预训练 | 第68-69页 |
| 5.3.2 模型有监督微调 | 第69-70页 |
| 5.3.3 模型超参数优化 | 第70页 |
| 5.4 实验数据 | 第70-71页 |
| 5.5 模型结果分析 | 第71-74页 |
| 5.5.1 各网络结构模型效果 | 第71-73页 |
| 5.5.2 与机器学习算法对比实验 | 第73页 |
| 5.5.3 与现有深度学习动态检测研究结果对比 | 第73-74页 |
| 5.5.4 实验结论 | 第74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章 Android恶意软件检测系统的设计与实现 | 第75-98页 |
| 6.1 需求分析 | 第75-77页 |
| 6.1.1 功能性需求分析 | 第75-77页 |
| 6.1.2 非功能性需求分析 | 第77页 |
| 6.2 系统的概要设计 | 第77-80页 |
| 6.2.1 系统的整体架构 | 第77-78页 |
| 6.2.2 系统的功能模块划分 | 第78页 |
| 6.2.3 系统的运行设计 | 第78-79页 |
| 6.2.4 系统的数据结构设计 | 第79-80页 |
| 6.3 系统的详细设计 | 第80-88页 |
| 6.3.1 本地静态检测模块详细设计 | 第81-83页 |
| 6.3.2 云端动态检测模块详细设计 | 第83-85页 |
| 6.3.3 权限扫描模块详细设计 | 第85-86页 |
| 6.3.4 应用程序锁模块详细设计 | 第86-87页 |
| 6.3.5 密码设置模块详细设计 | 第87-88页 |
| 6.4 系统的实现 | 第88-92页 |
| 6.5 系统的测试 | 第92-97页 |
| 6.5.1 系统的功能测试 | 第92-96页 |
| 6.5.2 系统的性能测试 | 第96页 |
| 6.5.3 测试结果分析 | 第96-97页 |
| 6.6 本章小结 | 第97-98页 |
| 第七章 总结与展望 | 第98-100页 |
| 7.1 工作总结 | 第98-99页 |
| 7.2 工作展望 | 第99-100页 |
| 参考文献 | 第100-104页 |
| 致谢 | 第104页 |
