预览加载中,请您耐心等待几秒...
1/3
2/3
3/3

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

基于代码级异质图的Android恶意应用检测技术研究的开题报告 一、选题背景 Android操作系统目前已经是全球智能手机市场上最主流的操作系统,全球市场份额高达85%以上。但是,随着市场的扩大,恶意应用也随之增加,给用户带来了安全隐患。Android恶意应用检测技术是近年来研究的热点之一。现有的检测技术大多基于静态特征或动态特征来识别恶意应用,但这种技术容易受到恶意应用的规避攻击,因此需要新的研究方法来提高检测效果。 二、选题意义 随着Android应用程序规模的不断扩大,可信度与安全性变得更加重要。检测和过滤出恶意应用程序已成为android安全的重要前提。市场上已有很多的恶意应用检测技术,但是仍然存在许多需要研究的空间。 本课题的研究目的为提高恶意应用检测的准确性和鲁棒性,旨在发掘代码级异构图的特征与关联,并针对性地设计检测系统。 三、研究内容及方法 (1)研究内容 本研究将利用代码级异构图,针对恶意应用的代码级特征进行深入分析,包括控制流图、数据流图、属性图等,提取出不同恶意应用家族的共用特征,分析其可能的执行路径,从而设计出更加有效的检测模型。 (2)研究方法 在本研究中,将选取大量的正常应用和恶意应用样本,并进行代码级异构图的提取和分析,分析不同家族的共用特征和行为。在此基础上,将综合运用机器学习、深度学习等算法,建立恶意应用检测模型。同时,采用多种评价指标对模型进行评估,如正确率、查全率、查准率等,从而提高检测模型的准确率和鲁棒性。 四、预期成果 通过本研究,预期取得以下成果: (1)提出一种高效、准确且鲁棒的恶意应用检测技术,并建立可用性强的实现平台。 (2)针对Android恶意应用的检测提供新思路和研究方法,对该领域的研究和发展提供新动力。 (3)发表高水平的学术论文和相关技术文章,提高个人专业水平。 五、研究进度安排 (1)前期调研:对Android恶意应用检测的相关研究进行国内外调研和对比,对恶意样本数据进行采集和预处理。 (2)代码级异构图分析:对采集的样本数据进行代码级异构图提取和分析,针对不同恶意应用家族的特征和行为,提取出共用特征。 (3)模型设计和实现:在该研究中,使用机器学习、深度学习等算法建立恶意应用检测模型,并进行开发和实现。 (4)模型实验和评估:实现完整的Android恶意应用检测模型,从而进行实验评估和技术验证。 (5)撰写论文并答辩:根据研究结果撰写论文,并进行论文答辩。 六、参考文献 [1]李洪成.基于机器学习的Android恶意软件检测技术研究[D].合肥:合肥工业大学,2016. [2]刘铁非,等.基于深度学习的Android恶意软件分类研究[J].计算机应用与软件,2018,35(9):1-5. [3]KaleeswaranB,SharmilaS.AsurveyonmalwaredetectiontechniquesinAndroidplatform[J].ProcediaComputerScience,2015,47:399-405. [4]LiuY,LiuQ,ZhangY,etal.Droidnets:DeeplearningbaseddetectionofAndroidmalware[C]//InternationalConferenceonLearningRepresentations.2018:1-16.