Jarsigner的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

Jarsigner進入發燒排行的影片

以即時動態訊息監控結合靜態特徵進行Android惡意程式分析

為了解決Jarsigner的問題，作者陳嘉宜 這樣論述：

目前的智慧型手機具備各項強大功能，對於現代人來說已經與生活密不可分，其中在智慧型手機中Android系統佔據了非常大的比例，Android系統如此受歡迎主要是因為其開放性，用戶可以輕鬆地安裝各種未經過驗證應用程式達到客製化的需求，然而也因此使得惡意程式可以藉此方式來竊取使用者資料，使得用戶受到隱私及資料洩漏上的威脅。在本篇論文中，我們提出了一個結合動態即時監控及靜態特徵之基於機器學習模型的Android惡意程式分析系統，藉由兩種分析方式取得應用程式的屬性特徵，再進行機器學習演算法。根據分類結果來判斷待測之應用軟體是否為惡意程式。動態分析使用了Taintdroid進行即時資料蒐集分析，使用自動

化行為觸發程式，讓實驗階段更接近使用者實際操作狀況。論文的方法結合了動態分析資料和靜態分析資料進行機器學習以達分類之目標。實驗結果顯示此方法可以得到相當好的偵測效能。

基於行為分析與機器學習的Android惡意軟體檢測方法

為了解決Jarsigner的問題，作者張瑋玲 這樣論述：

近年來,，智慧型手機的使用率逐漸上升，其技術也越來越成熟，智慧型裝置提供多樣的功能，讓使用者的生活越來越便利。根據調查，使用Android 系統手機的比率為84%，這代表全世界有八成以上的智慧型裝置使用者是使用Android系統。Android 系統的普及吸引了眾多有興趣的開發者，他們可以自行撰寫不同功能而且有創意的應用程式，也可以設計出一些惡意軟體, 偽裝成一般應用程式，但卻在背後執行惡意行為。手機上安裝的惡意軟體很可能會偷取使用者的一些個人隱私資料，像是手機號碼、信用卡帳號等，也可能造成使用者的財物損失，因此如何偵測手機安全也成了很大的一門議題。過去行動裝置上的惡意軟體分析最常用的檢測方

式為signature-based detection，是以特徵碼比對的方式來檢測，但隨著Android 開發者越多技術越來越發達，惡意軟體發展的數量也大量增加，傳統的signature-based detection 已經越來越趕不上惡意軟體發展的技術，因此本論文透過behavior-based detection 結合machine learning 的方式來偵測惡意軟體。本系統改良了Droidbox 的不足，加入自訂的可辨識應用程式當下執行UI 介面的自動觸擊程式，希望可以有效的觸發惡意軟體，紀錄背後所產生的行為並結合網路行為, 讀寫順序等等。透過宣告的權限作為判斷的輔助，利用machi

ne learning 去判斷是否為惡意軟體，以降低惡意軟體危害使用者的機率。我們也取得了大量的惡意程式樣本以及正常的app 來進行實驗，並且驗證此方法的效果。