近年来,智能手机以其强悍的处理能力和多样的应用程序迅速得到普及。移动互联网的建设、机器学习的飞速发展进一步加深了用户对智能手机的依赖,人们的日常生活逐渐难以离开智能手机。用户在使用移动终端时,也产生了大量的个人隐私信息,这些信息一旦泄露,会造成巨大的损失。一般来说,手机内置的传感器种类越多,对环境的感知越敏感,极大地提升用户的使用体验的同时也增加了用户隐私泄露的风险。早前,研究人员基于智能手机内置的丰富传感器在探测用户隐私方面进行了大量的分析研究。比如利用加速度计和陀螺仪学习用户的点击和手势输入;利用智能手机内置的磁力传感器推断附近笔记本电脑用户活动等。然而现有研究存在以下不足:信号微弱,后期需要处理掉噪音和增强数据,或者攻击条件苛刻,必须靠近受害者的设备等。基于国内外诸多相关文献与研究工作,本文基于智能手机内置传感器探测用户隐私信息设计了两个算法。第一个算法是基于磁力计进行应用程序及应用内服务的识别分类算法;第二个算法在第一个算法的基础上加入加速度计和陀螺仪数据后进行用户身份识别的算法。具体地讲,本文的主要工作如下:在基于磁力计进行应用程序及应用内服务的识别分类算法中,本文采集用户使用应用程序时产生的磁力计数据,经过数据预处理,傅里叶变换和主成分分析提取特征后,使用随机森林算法进行应用识别,使用卷积神经网络进行应用内服务分类。与其他相关研究对比,本文提出的分段方法,有效减少后期训练的时间和空间成本。表明本文的方案使应用程序及应用内服务的识别准确率/宏观平均分数达到了 92%/91%。在基于加速度计和陀螺仪进行用户身份识别分类算法中,在前一步的识别分类任务基础上,该部分加入用户使用应用程序时产生的加速度计和陀螺仪数据,使用全连接网络和长短期记忆网络提取特征后,进行用户身份识别分类任务。与其他相关研究对比,本文将小波多分辨率分析应用于消除用户动作的影响,提出了一种能够表现流序列变化趋势的嵌入向量生成算法,使用全连接网络和长短期记忆网络提取时频特征,有效提高了特征的表达能力和准确率。实验表明本文的方案使用户身份识别准确率达到了 92%。