随着移动互联网时代的到来,安卓终端在人们的日常生活和工作中越来越流行。但是随着功能的日益强大,手机常常会成为公司内部隐私泄露的源头。除此以外,手机的无节制使用也会影响核心工作人员的工作效率。为了解决上述问题,很多公司都需要一种可行的移动终端实时管控方案对员工的手机使用情况进行管控。考虑到对员工手机的管控在办公环境内应该更加严格,所以针对不同的室内外场景应该采取不同的管控策略。这需要一种准确、高效的室内外场景识别技术作为基础,使其成为上层管控应用决策的重要依据。基于以上考虑,本文的研究目标就是设计一种高准确、高性能、低时延的室内外场景识别方案以及能够对安卓终端特定功能进行细粒度限制的实时管控技术。其中,室内外场景识别方案是对室内和室外两种状态的识别。本文主要内容和工作如下:(1)对室内外场景识别技术进行研究。本文综合利用了安卓终端自带的轻量级传感器和无线信号在室内外的不同特性进行室内外场景识别。在研究前人方案的基础上,本文通过有监督训练流程对多种常见机器学习算法的分类效果进行比较,发现决策树更适用于当前问题。然后本文提出了一种基于半监督的自学习决策树SLDT(Self-Learning Decision Tree)改进算法,该算法利用高置信度的无标签样本通过一种半监督的决策树训练方式不断循环更新分类模型,解决了前人方案的一些不足以及分类模型在新环境下准确性下降的问题。(2)对安卓终端管控技术进行研究。本文利用Inject和Hook技术向系统服务进程注入管控自定义代码,通过劫持进程间通信(IPC)关键函数ioctl的地址,对服务请求数据包拦截并进行解析,得出当前请求的服务信息,若请求的服务方法位于管控黑名单上,则对相应的请求数据包进行修改,从而实现实时管控的目的。(3)根据前面的研究设计并实现了基于室内外场景识别的安卓终端管控原型系统,该系统可以根据当前终端所在的不同场景为安卓终端自动调整不同的管控策略。对原型系统的测试结果表明该系统具有良好的兼容性,而且具有高性能、低耗能和低时延等优良特性。