Android恶意应用检测中特征选择算法的研究的开题报告.docx

Android恶意应用检测中特征选择算法的研究的开题报告
一、选题背景
随着移动互联网的普及，Android应用的数量迅速增长，同时也带来了不少的安全隐患。恶意应用的出现给用户的数据安全带来了很大的危害，在Android平台上的病毒分析以及恶意应用检测是亟待解决的问题。
当前的恶意应用的检测方法主要包括基于高维数据学习的分类方法和基于程序静态分析的检测方法。而在这些方法中，特征选择算法是机器学习技术中的一种非常重要的技术手段。
二、研究目的
本文的研究目的是通过特征选择算法来提高Android恶意应用检测的准确率，同时降低运算复杂度。对于Android恶意应用的检测，特征选择算法是一个非常重要的环节。合理地选择特征可以匹配检测模型，让检测模型更加高效、准确。
三、研究内容
特征选择算法可以通过统计学方法、信息论、搜索算法等方式来得到一个恰当的特征集合。具体研究内容如下：
1.收集Android恶意应用样本，并提取其特征；
2.研究现有的特征选择算法，分析其优缺点；
3.实现特征选择算法，并对所得结果进行统计分析，验证其有效性；
4.在得到一组恰当的特征集合后，基于高维数据学习的分类方法对Android恶意应用进行检测。
四、研究意义
本文的研究意义如下：
1.通过研究特征选择算法，提高Android恶意应用检测的准确率和效率；
2.对不同的特征选择算法进行比较和分析，提供了有价值的研究参考；
3.结合实际检测需求，提供了一种可行的Android恶意应用检测方法。
五、研究计划
本研究的计划如下：
1.2019年6月至8月，收集Android恶意应用样本，并提取其特征；
2.2019年9月至10月，研究现有的特征选择算法，分析其优缺点，并实现特征选择算法；
3.2019年11月至12月，对所得结果进行统计分析，验证其有效性；
4.2020年1月至2月，基于高维数据学习的分类方法对Android恶意应用进行检测，并对检测结果进行分析和验证。
六、结论
本文的研究将提供一种有效的Android恶意应用检测方法，为相关学者和从业者提供一个有价值的研究参考。同时，本文对特征选择算法进行了验证和分析，提供了更多的理论支持和应用价值。在移动互联网时代，加强恶意应用的监管和检测，保障用户的数据安全，具有重要的现实意义。