随着移动互联网的发展,搭载着Android系统的移动设备层出不穷,尤其是Android智能手机的市场占有率保持着逐年上升的趋势,在2019年占到了87%的市场份额。但是由于Android系统的高市场占有率以及开源性,加剧了Android恶意软件的横行,破坏了Android生态系统的安全,给用户及社会造成了极大的损失,而且近年来Android恶意软件数量呈现大幅增长趋势。因此Android恶意软件的检测成为一个很重要的课题,在前人的研究基础上经过大量调研,我们提出了一种基于多特征改进随机森林的Android恶意软件检测方法。主要工作有:1.我们共收集到Android恶意样本14540个,良性样本15000个,然后对大量Android安装包(APK)文件进行反编译,分析权限特征、API调用特征以及操作码调用序列特征在恶意样本和良性样本间的差异性。2.通过对特征的分析得出,这些特征在恶意样本和良性样本中的占比以及重要性具有差异性。例如在权限特征中,与网络相关的权限在恶意样本和良性样本中出现的占比差异不大,所以这样的特征对区别恶意软件和良性软件的贡献率不大。而与短信相关的权限在恶意样本和良性样本中差异较大,在恶意样本中占比明显较高,所以这样的特征对区别恶意软件和良性软件具有较大的贡献率。经分析,我们最终选取权限特征、API调用特征以及操作码调用序列特征中对区别恶意软件和良性软件具有较大贡献率的一些特征,生成训练集。3.本文创造性地提出利用两层决策原则改进随机森林算法,首先我们对优化后的三种特征训练集各自采用随机森林算法,得出一个以每个特征贡献率为权重的决策结果;然后将该结果的准确率作为权重进行再次投票决策,得出最终分类结果。实验结果对比分析,我们提出的基于多特征改进随机森林的Android恶意软件检测模型有着较高的准确率,为93%。