智能家居终端设备爆发性增长,为用户带来便利的同时也带来用户隐私安全问题。智能家居终端设备app可以访问用户的敏感信息,但用户并不知晓这些敏感数据在app中的具体流向,进而无法分析隐私泄露情况;app与终端设备存在多对多的映射关系,并且终端设备相互独立,这使得判断该场景中的不安全事件是否由恶意app造成变得更加复杂和困难;不安全的第三方服务器会泄露用户隐私,由于缺乏考虑数据间的关联性,传统的本地化差分隐私保护方法并不适用于该场景中的数据特点。针对上述问题,本文分别针对app安全和数据安全提出了相应的解决方法,主要内容如下:1、针对app存在的隐私泄露情况无法分析以及不安全事件判别困难的问题,提出了基于静态分析与数据溯源的app安全保护方法。首先对智能家居app中存在的污点源和污点汇聚点进行分析,通过groovy编译器的相关函数实现了静态污点分析方法,分析app中的隐私泄露情况。其次,使用W3C PROV-DM数据溯源模型对该场景中存在的设备和方法等语义信息进行统一的命名,结合上述的污点分析方法和静态插桩技术实现数据溯源。最后通过实验对提出的方法进行验证。本文选取200个正常app进行静态污点分析,12个恶意app进行溯源分析,实验结果表明,大约63%的正常app存在隐私泄露,并对污点源和污点汇聚点的具体情况进行了分析。数据溯源对12个恶意app引起的不安全事件都能够进行准确的分析,判断其是由恶意app造成。2、针对传统本地化差分隐私方法不适用该场景下数据特点的问题,提出了改进的本地化差分隐私保护方法。以二维关联数据为对象,首先将原始二维数据的主属性使用布隆过滤器转化为bit向量,对bit向量的中间部分不做任何处理,其余部分进行满足本地化差分隐私方法的扰动,对从属性直接进行满足本地化差分隐私的扰动。其次第三方服务器根据主属性中保持不变的bit向量,对原始数据进行分组。最后第三方服务器对分组后的数据进行统计分析,从而完成其统计任务。实验选取两类数据集,选择均方误差和相对误差作为评估指标,实验结果表明,该方法相比于传统的本地化差分隐私方法在相同隐私预算下,算法误差都较小,数据可用性较高。