移动智能终端是现在的必须品,它将日常生活中的每一个环节都变得更加便利。其中Android平台拥有着移动智能终端系统最大的市场,但同时Android平台也是智能终端攻击者的首要目标,针对Android平台的恶意应用的数量也呈爆炸式增长。Android平台智能与开放的特点给Android攻击者编写、更新和部署恶意软件提供了很好的环境,同时也对Android恶意软件的检测提出了更高的要求。目前Android平台上现有的恶意软件检测技术,大多对资源要求很高,但是Android的过快的更新速度导致大部分的用户设备的硬件条件较为落后。如何利用陈旧Android设备的有限资源对Android恶意软件进行有效的检测对目前的Android用户来说意义重大。同时,虽然Android恶意软件数量庞大,但是与PC端的恶意软件相似,Android恶意软件的特点呈聚类分布。我们称具有相同特点的Android恶意软件的集合为Android恶意软件家族,如何对Android恶意软件进行准确的分类,对我们研究Android恶意软件具有重大的帮助。出于对以上情况的考虑,本文作了相应较为深入研究,主要工作总结如下:1、本文提出了一种基于静态特征分析的超轻量级Android恶意软件检测算法。该算法仅仅保留最重要的Android应用的静态特征,在保证检测效果的前提下大大提高了检测时间,同时也极大地减少了需求的资源。同时该算法利用二次机器学习,将提取的特征分块进行分类。在每块都分类完成后,汇总结果再进行以此分类。这个二次学习的过程可以大大减少分类时间,进一步减少需要的资源。实验表明,本算法不仅具有极高的检测率(98.47%),同时检测时间非常短,平均一个应用需要97.94ms。2、本文提出了一种基于多特征聚类的Android恶意软件分类算法。本算法提取Android应用的静态特征,同时利用Android恶意软件调用的方法路径生成签名。以上两个特征可以很好的避免Android恶意应用重打包带来的混淆。根据获得的特征,本算法利用k-means聚类对Android恶意软件进行分类。实验表明本算法除了FakeDoc家族不能识别外,其他家族的分类准确率均在97.6%以上,同时误报率均低于2.4%。本论文提出的算法不仅能够很好的利用极其有限的资源对Android应用进行检测,也可以对检测出的恶意应用进行分类。对Android手机的安全有着较强的应用价值。