之所以现如今移动应用程序行为识别更具有挑战性,是因为大多数移动应用程序为了保护用户隐私和安全,对移动应用进行了加密。现在基于加密流量的移动应用具体行为识别分析技术已经成为了机器学习领域研究的热门。本文从加密流量角度出发,以机器学习相关知识为基础,针对移动应用行为识别分析中所应用到的技术:数据采集清洗、数据预处理和加密流量算法建模三个部分在原有研究的基础上进行了改进和创新,具体方案内容如下:(1)针对现如今移动应用程序具体行为数据集的匮乏,移动应用程序行为识别的论文也是寥寥无几,提出了一种自动化操作手机应用程序的方法,实现了大规模移动应用程序具体行为数据集的采集和清洗。实验证明该方案所采集的数据集在后续实验中广泛使用。(2)针对应用程序中不同的行为会产生相似的数据流影响分类器精度问题,提出了一种基于谱聚类算法的干扰样本过滤方法,最后选择使用随机森林算法建模分析,实验证明此方法减少了相似干扰的问题,提高利分类准确率和泛化能力。(3)针对从加密数据流中获取到有用信息难度很大的问题,提出了一种基于Burst的特征提取方案,最后选择随机森林算法建模比较,实验证明此方法提高了分类准确率。(4)针对现阶段通针对对应不同的加密协议的算法建模选择上的问题,提出了XGBoost算法进行建模,实验证明此算法在准确率与避免过拟合问题上都非常突出。应用本文提出的方法完成了在安卓移动应用行为的识别分析,并且在此基础上,分类算法在准确率和泛化能力都较高。最后提出了本文方法的不足与日后研究扩展方向。