快速发展的Android智能手机在给人们的日常生活带来便利的同时,Android恶意应用程序的数量也在日益增多,如何有效地发现Android恶意应用程序就成为了近年来信息安全领域的热点问题之一。Android平台的恶意应用程序检测,按照检测时是否需要运行应用程序,分为动态检测和静态检测两种检测方法。静态检测方法不需要实际运行应用程序,而是通过逆向提取应用程序的权限,API(函数调用接口)等静态特征并对其使用情况进行分析以达到检测的目的。但传统的恶意应用程序检测方法并未考虑到:由于不同类别应用程序的应用要求和功能的不同,其所需访问的权限和调用的API的要求也是不一样的。若把不同类别的应用程序当成同一类来进行检测,就可能会出现误判的问题。针对上述问题,本文在传统静态检测方法的基础上进一步研究,提出了一种基于应用程序分类和静态特征的Android恶意应用程序检测方法。主要工作内容如下:(1)研究了Android应用程序分类方法。由于每一类应用程序要实现的功能和行为是相似的,所要访问的权限和调用的API也应该是相近的,因此,从应用程序中提取权限和API这两种具有代表性的静态特征,并采用卡方检验-皮尔逊相关系数组合算法对数据进行预处理,利用SMO算法构建分类模型。在对应用程序进行分类后,再通过对提取的静态特征进行分析来达到恶意应用程序检测的目的。(2)提出了对每一类别应用程序的敏感权限和敏感API的使用情况进行量化的方法。采用Apriori算法对每一类应用程序的敏感权限和敏感API的频繁项集进行挖掘,从而得到每一类应用程序的敏感权限阈值以及敏感API阈值。通过比较待测应用程序的敏感权限值和敏感API值与其所属应用程序类别的敏感权限阈值和敏感API阈值,以判断其是否为恶意的。(3)最后,本文设计了基于应用程序分类和静态特征的Android恶意应用程序检测框架,通过该框架对以上方法进行了检验。实验结果表明该方法具有可行性和有效性,在应用程序分类的基础上对恶意应用程序进行检测,提高了检测的精确率,降低了误报率。