發(fā)布時間：2021-11-23 13:35

　　Android平臺上惡意App的泛濫不僅對用戶的隱私和財產(chǎn)安全產(chǎn)生巨大威脅,而且還會給國家的安全帶來重大隱患。隨著Android中惡意App的不斷增多,對Android惡意App的分析與研究也成為了一個熱點。針對傳統(tǒng)Android惡意App檢測技術(shù)不能很好識別具有反檢測能力的Android惡意App,檢測準(zhǔn)確率偏低以及檢測方法在手機或嵌入式等受限環(huán)境上應(yīng)用較少等問題,本文研究并提出了一種基于深度學(xué)習(xí)的Android惡意App檢測方案。首先,本文研究分析了目前的Android惡意App檢測方案,了解Android惡意App檢測過程中的難點、所使用的關(guān)鍵方法和技術(shù),并總結(jié)了現(xiàn)有工作的不足之處。接著,針對現(xiàn)有研究中不能很好識別具有反檢測能力App的問題,研究了 Android App采用的反檢測技術(shù),針對前三代的反檢測技術(shù)給出了解決方案,能夠獲取App中的源代碼,也為本文的研究提供更加全面的數(shù)據(jù)。然后,針對傳統(tǒng)Android惡意App檢測技術(shù)的檢測準(zhǔn)確率偏低的問題,構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的Android惡意App檢測模型。為了提高檢測模型的泛化能力,在模型中設(shè)置了合適的激活函數(shù)以使分類器... 

【文章來源】：南京師范大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀
        1.2.1 國內(nèi)外研究現(xiàn)狀
        1.2.2 現(xiàn)有研究的不足
    1.3 論文工作和論文結(jié)構(gòu)
        1.3.1 論文工作
        1.3.2 論文結(jié)構(gòu)
第2章 相關(guān)技術(shù)
    2.1 自然語言處理中詞的表示方法
        2.1.1 詞袋模型
        2.1.2 TF-IDF模型
        2.1.3 詞的分布式表示
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 用卷積來代替全連接
        2.2.2 卷積層
        2.2.3 池化層
        2.2.4 全連接層
        2.2.5 輸出層
    2.3 本章小結(jié)
第3章 Android應(yīng)用程序的反檢測技術(shù)及解決方案
    3.1 Android應(yīng)用程序及其反編譯
        3.1.1 APK文件分析
        3.1.2 APK文件的生成過程
        3.1.3 Android應(yīng)用程序的反編譯
    3.2 Android應(yīng)用程序的反檢測技術(shù)
        3.2.1 對抗反編譯
        3.2.2 對抗靜態(tài)分析
        3.2.3 對抗動態(tài)分析
        3.2.4 對抗重編譯
    3.3 針對Android應(yīng)用已有反檢測技術(shù)的解決方案
        3.3.1 對抗混淆技術(shù)
        3.3.2 對抗校驗保護技術(shù)
        3.3.3 對抗加固技術(shù)
    3.4 本章小結(jié)
第4章 Android惡意應(yīng)用檢測模型
    4.1 檢測模型概述
    4.2 數(shù)據(jù)預(yù)處理
        4.2.1 實驗數(shù)據(jù)集的收集
        4.2.2 反編譯
    4.3 API函數(shù)序列編碼
    4.4 惡意應(yīng)用的檢測模型
        4.4.1 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)
        4.4.2 檢測效果評估
    4.5 實驗設(shè)計
        4.5.1 實驗環(huán)境
        4.5.2 數(shù)據(jù)預(yù)處理模塊
        4.5.3 API序列編碼模塊
        4.5.4 惡意應(yīng)用檢測模型模塊
    4.6 實驗結(jié)果分析與比較
    4.7 本章小結(jié)
第5章 Android惡意應(yīng)用檢測模型部署
    5.1 模型部署相關(guān)技術(shù)
    5.2 模型部署模塊
    5.3 原型系統(tǒng)運行效果
    5.4 本章小結(jié)
第6章 總結(jié)與展望
參考文獻
在讀期間發(fā)表的論文及相關(guān)成果
致謝


【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的Android惡意應(yīng)用檢測方法[J]. 郗桐,金昊,徐根煒,周金嶺.  信息安全研究. 2018(08)
[2]基于深度學(xué)習(xí)的Android惡意軟件檢測系統(tǒng)的設(shè)計和實現(xiàn)[J]. 王濤,李劍.  信息安全研究. 2018(02)
[3]Android軟件安全攻防對抗技術(shù)及發(fā)展[J]. 徐君鋒,吳世忠,張利.  北京理工大學(xué)學(xué)報. 2017(02)
[4]基于SVM的敏感權(quán)限Android惡意軟件檢測方法[J]. 陳平,李敬明,沈桂芳,張平華.  景德鎮(zhèn)學(xué)院學(xué)報. 2016(06)
[5]基于SVM的安卓惡意軟件檢測[J]. 張玉玲,尹傳環(huán).  山東大學(xué)學(xué)報(工學(xué)版). 2017(01)
[6]Android安全的研究現(xiàn)狀與展望[J]. 卿斯?jié)h.  電信科學(xué). 2016(10)
[7]基于SVM的Android應(yīng)用程序安全檢測綜述[J]. 龔明明,吳漢,孫知信.  計算機應(yīng)用研究. 2017(04)
[8]基于機器學(xué)習(xí)算法的Android惡意程序檢測系統(tǒng)[J]. 張家旺,李燕偉.  計算機應(yīng)用研究. 2017(06)
[9]Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J]. Zhenlong Yuan,Yongqiang Lu,Yibo Xue.  Tsinghua Science and Technology. 2016(01)
[10]一種基于詞袋模型的新的顯著性目標(biāo)檢測方法[J]. 楊賽,趙春霞,徐威.  自動化學(xué)報. 2016(08)

碩士論文
[1]基于自修改與動態(tài)加載的Android應(yīng)用保護技術(shù)研究[D]. 王愷.電子科技大學(xué) 2018
[2]基于深度學(xué)習(xí)的Android惡意軟件檢測研究[D]. 王天奇.北京郵電大學(xué) 2018
[3]Android惡意代碼檢測技術(shù)的研究與實現(xiàn)[D]. 肖強.北京郵電大學(xué) 2017
[4]Android應(yīng)用安全加固技術(shù)研究與實現(xiàn)[D]. 劉佳佳.南京理工大學(xué) 2017
[5]基于敏感路徑識別的安卓應(yīng)用安全性分析方法[D]. 繆小川.南京大學(xué) 2016
[6]基于DexClassLoader的Android加固保護技術(shù)研究[D]. 陶元旭.北京郵電大學(xué) 2016
[7]Android應(yīng)用安全加固技術(shù)研究與實現(xiàn)[D]. 胡小勇.電子科技大學(xué) 2016
[8]面向Android智能手機終端應(yīng)用程序的代碼混淆算法研究與實現(xiàn)[D]. 鄭琪.北京郵電大學(xué) 2015
[9]基于機器學(xué)習(xí)分類算法的Android惡意軟件檢測系統(tǒng)[D]. 王超.南京郵電大學(xué) 2015
[10]基于詞向量的短文本分類方法研究[D]. 江大鵬.浙江大學(xué) 2015



本文編號：3513989