随着4G、5G网络和物联网的飞速发展,移动端应用已深入人们生活的方方面面,参与人们的智慧生活。Android操作系统作为占有率最高、受恶意应用威胁最大的移动端操作系统,面临着隐私泄露、恶意扣费和系统破坏等重大挑战。因此,针对Android应用的移动端应用安全性检测技术的研究是一个极具现实意义的课题。本文主要采用机器学习分类器检测应用安全性,从特征降维和不平衡数据集分类两方面进行研究,具体如下:1、针对应用特征对分类的贡献程度不同的问题,提出基于特征贡献度的特征选择算法。算法通过量化特征在类内和类间的贡献程度得到特征对原始样本集分类检测的贡献权重,进而设定阈值选择高贡献的低维特征子集用于后续检测。实验结果显示:算法检测效果较好,适用于应用安全性检测领域,与传统的特征选择算法相比,可以在较少特征数量的情况下达到理想的检测效果。2、针对应用数据集中特征粒度细、维度高的问题,提出基于深信度网络的特征变换算法。算法利用深信度念网络的非线性变换能力深度抽象出特征,实现原始高维特征的降维。后续检测实验结果表明,算法能够更好的表示高维空间的结构,与其他特征选择算法和线性特征变换算法相比,有着更优异的检测效果。3、针对应用数据集类别不平衡、分类倾向多类的问题,提出使用K-Means聚类改进人工合成少类过采样技术(SMOTE)算法。首先通过K-Means聚类算法进行聚类并筛选出少类比例高的簇,再使用SMOTE算法在簇中按稀疏度合成少类样本,最终改变原始数据集的类别分布。实验结果表明:算法有效改善了SMOTE算法的缺陷,提高了分类器对少类样本和整体样本集的分类性能。综上所述,本文的贡献点是根据移动端应用特征和样本集类别分布的特性,针对性提出应用安全性检测方法。结果表明,本文提出的应用安全性检测方法能够有效地提高检测性能,在移动端应用安全性检测方面具有一定的现实意义。