基于Dalvik指令特征的Android恶意应用检测方法研究的任务书.docx

基于Dalvik指令特征的Android恶意应用检测方法研究的任务书
任务书
一、背景
Android作为移动操作系统的代表之一，在全球市场上的份额不断攀升。然而，随着移动互联网的普及和Android系统的开源特性，恶意软件也愈演愈烈。据最新研究表明，全球大约1/4的Android设备可能感染了恶意软件。恶意软件不仅会带来隐私泄露、财务损失等问题，还可能导致设备瘫痪，影响用户的正常使用。
因此，有效的Android恶意应用检测方法正在变得越来越重要。传统的恶意软件检测方法主要是基于签名、黑/白名单和权限等的方式，这些方法存在着一定的局限性。近年来，基于指令特征的检测方法开始受到广泛关注。由于Android应用程序运行在Dalvik虚拟机上，因此检测Dalvik指令的特征可以更准确地识别恶意软件。
二、研究目的
本研究旨在提出一种基于Dalvik指令特征的Android恶意应用检测方法，并对这种方法进行评估和优化。该方法将利用机器学习技术对应用程序的Dalvik指令进行分析，从而准确地判断应用程序的恶意性。本研究的目标是探索一种有效可靠的检测方法，为保护Android设备的安全提供有力支持。
三、研究内容
1.对Android恶意软件的常见攻击方式、传播途径、特点与检测方法进行文献调研和综述。
2.分析Android应用程序的Dalvik指令集，确定可以用于恶意应用检测的特征集合。
3.构建Dalvik指令特征提取模块，实现Dalvik指令到特征向量的映射和转换。
4.采用机器学习算法（如支持向量机、神经网络等）训练分类器模型，实现Android恶意应用的检测。
5.对模型进行评估和测试，使用实际Android应用程序数据集进行验证和优化。
6.撰写学位论文，总结研究成果。
四、时间安排
1.研究计划起止时间：2022年7月至2023年6月。
2.研究进度安排：
（1）2022年7月至8月：对Android恶意应用的常见攻击方式、传播途径、特点与检测方法进行调研和综述。
（2）2022年9月至11月：分析Android应用程序的Dalvik指令集，确定可以用于恶意应用检测的特征集合。
（3）2022年12月至2023年2月：构建Dalvik指令特征提取模块，实现Dalvik指令到特征向量的映射和转换。
（4）2023年3月至4月：采用机器学习算法训练分类器模型，实现Android恶意应用的检测。
（5）2023年5月至6月：对模型进行评估和测试，使用实际Android应用程序数据集进行验证和优化；撰写学位论文，总结研究成果。
五、研究成果
1.提出一种基于Dalvik指令特征的Android恶意应用检测方法，该方法可实现对恶意软件的准确识别和分类。
2.实现Dalvik指令到特征向量的映射和转换，为后续恶意应用检测提供基础。
3.针对Android恶意应用的特征集合和评估方法进行探讨和优化，提高检测准确率。
4.验证机器学习算法在Android恶意应用检测中的可行性，为相关研究提供参考。
5.撰写学位论文，对研究成果进行总结和评价，为相关领域研究提供参考和启示。
六、评估方法
本研究将采用实际Android应用程序数据集评估所提出的基于Dalvik指令特征的恶意应用检测方法。具体评估指标为：TruePositiveRate（TPR）、FalsePositiveRate（FPR）和Accuracy（ACC），并与已有的恶意应用检测方法进行比较。
七、经费预算
本研究所需经费大致如下：
1.软件（Matlab、Python等）与硬件等基础设备费用：2万元；
2.奖励参与者小组、购买相关文献等材料费用：3万元；
3.会议差旅、专家评审等费用：1万元。
八、研究团队
本研究由主任导师李教授负责，研究团队由硕士研究生林先生、李小姐、王先生、刘小姐等组成。研究时间周期较长，需要团队成员密切配合，做到有效沟通，高度协作，达到预期研究成果。