《表1 权限组件特征：基于统计学特征的Android恶意应用检测方法》
提示：宽带有限、当前游客访问压缩模式
本文分析了图2中的Android Manifest.xml并提取了大量特征，如一个APK有多少activity。表1显示了该应用程序的一个分析示例。
| 图表编号 | XD0090312800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.01 |
| 作者 | 冷波、李建彬 |
| 绘制单位 | 中南大学信息科学与工程学院、中南大学信息安全与大数据研究院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 特征空间组成：基于深度神经网络的Android恶意软件检测方法》2020.10.15
- 《表2 特征分布：基于深度神经网络的Android恶意软件检测方法》2020.10.15
- 《表3 分类结果混淆矩阵：代码向量深度学习的恶意Android应用检测方法》2021.02.05
- 《表2 实验环境：代码向量深度学习的恶意Android应用检测方法》2021.02.05
- 《表2 实验环境：基于特征生成方法的Android恶意软件检测方法》2020.11.10
- 《表3 实验所用数据集：基于特征生成方法的Android恶意软件检测方法》2020.11.10
- 《表6 符号及其含义：基于特征生成方法的Android恶意软件检测方法》2020.11.10
- 《表1 特征生成方式：基于特征生成方法的Android恶意软件检测方法》2020.11.10
- 《表7 检测器性能：基于特征生成方法的Android恶意软件检测方法》2020.11.10
- 《表5 实验结果：基于特征生成方法的Android恶意软件检测方法》2020.11.10
- 《表7 各分类器实验结果：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表6 分类结果混淆矩阵：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表3 五种分类算法对比：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表4 实验数据集切分：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表1 4 相关方法对比：一种基于元信息的Android恶意软件检测方法》2019.10.01
- 《表5 应用程序分组结果：一种基于元信息的Android恶意软件检测方法》2019.10.01
- 《表1 功能列表：一种基于元信息的Android恶意软件检测方法》2019.10.01
- 《表2 DEX特征：基于统计学特征的Android恶意应用检测方法》2019.08.01
- 《表5 最终模型算法比较：基于统计学特征的Android恶意应用检测方法》2019.08.01
- 《表3 smali特征：基于统计学特征的Android恶意应用检测方法》2019.08.01