安卓恶意软件检测的研究的开题报告.docx

安卓恶意软件检测的研究的开题报告
一、选题背景
安卓系统的广泛使用和互联网的普及，让手机成为了人们必不可少的工具。然而，随着安卓应用的不断增多，恶意软件的泛滥也成为了安卓系统的痛点。恶意软件可通过窃取用户的个人信息、盗取银行账号密码、检索私人邮件等手段攻击用户，造成严重的资料和财产损失。
因此，特别是随着数字经济的普及和进一步发展，智能手机的信息和安全问题日益引人注目。恶意软件的检测成为了研究的焦点之一。目前搜集数据的相关模型正在逐渐发展。以此为基础，我们将通过研究安卓恶意软件检测，为用户安全提供更好的保障，是非常有现实意义的工作。
二、研究目的和意义
本研究的目的是，通过对恶意软件检测技术及其实现方式的深入研究，设计出一种基于安卓恶意软件检测的算法，从而能够更好的辨别安卓系统中的恶意软件，为用户提供更好的信息安全保护。
本研究的意义在于：
1.提高用户的信息安全意识和保障。通过防止安卓系统中的恶意软件攻击，提高用户使用手机的安全等级，为用户的资料及财产流产提供更完善的保障。
2.推进信息安全技术的发展。本研究拟采用深度学习算法等先进技术，推进信息安全领域的技术发展，提高恶意软件检测的准确率，为日后信息安全领域提供有益的研究借鉴。
三、研究内容和方案
1.研究当前恶意软件检测算法及技术。对国内外已有的恶意软件检测技术、方法和算法进行系统学习，并对现有的检测工具进行实验比较。
2.深度学习算法在恶意软件检测中探究。结合深度学习技术构建恶意软件检测模型，比较并选择最优的预测模型。
3.开发基于恶意软件检测的安卓应用。依托上述技术开发一款基于安卓恶意软件检测的应用程序，并进行测试和优化。
四、拟采取的技术路线
1.研究数据准备和特征工程。数据是机器学习算法训练的基础，需要从第三方数据网站或API中获取黑样本数据，并与白样本数据进行筛选和去重等预处理。
2.研究机器学习算法，在数据准备之后对其进行训练。如决策树、支持向量机、随机森林等，使用XGBoost库优化模型。
3.使用深度学习算法提高检测准确性。自然语言处理NLP和深度神经网络CNN、RNN等技术结合进行模型：
a)嵌入式层：包含输入的序列。将恶意代码文件转化为向量展示。
b)长短期记忆层(LSTM)：提取是序列信息。
c)归一化层：将输出标准化。
d)全链接层：输出结果。
4.开发基于上述模型的Android应用程序。检测恶意软件需要对应用程序进行扫描和分析，基于此开发安卓应用，并通过虚拟机等方式进行测试，并统计准确率和检测误报率等指标。
五、预期成果
1.安卓恶意软件检测算法和应用程序。研究出一种基于机器学习和深度学习的恶意软件检测算法，并开发基于安卓操作系统的应用程序，实现了对安卓恶意软件的检测。
2.研究成果的社会效益。提高社会公众的信息安全意识和保障，促进安卓应用安全发展。
3.学术价值和实用价值。提升恶意软件检测技术的水平，推动信息安全研究领域的发展。
六、预期研究时间表
时间节点研究任务
月份1和2建立安卓恶意软件检测模型
月份3和4设计和实现恶意软件检测算法
月份5和6开发Android恶意软件检测应用程序
月份7和8测试应用程序、背景材料撰写
月份9和10研究成果总结和报告撰写
七、参考文献
1.Hu,J.,&Li,X.(2017).MalwareVariantsDetectionUsingDeepLearning.CybersecurityandAppliedMathematics,764(1),33-40.
2.Wang,J.,&Yin,F.(2013).ASurveyonAndroidMalwareDetectionTechniques.IEEECommunicationsSurveysandTutorials,15(2),825-847.
3.Gao,J.,Zhang,Z.,Lin,C.,&Sun,X.(2018).ADeepLearningModelforMalwareDetectionUsingConvolutionalNeuralNetworks.JournalofComputerandCommunications,06(12),19-27.
4.Kharraz,A.,Robertson,W.,Balzarotti,D.,Bilge,L.,&Kirda,E.(2015).CuttingtheGordianKnot:ALookUndertheHoodofRansomwareAttacks.ProceedingsoftheFourthInternationalWorkshoponBuildingAnalysisDatasetsandGatheringExperienceReturnsforSecurity.
5.He,W.,&Zhang,J.(201