随着信息科技的发展,智能终端已成为人们生活中不可或缺的部分。目前,Android智能终端占据了绝大部分市场,由于其平台的免费性及开源性特点,催生了许多应用软件,以满足人们的各种需求;与此同时,受利益驱动,也吸引了许多非法牟利的软件开发者。近年来,针对Android软件的安全事件不断上升,包括恶意吸费、隐私盗用、捆绑下载等,随着软件的需求和应用急速增加,如何确保智能终端用户的信息安全,是当今面临的挑战。基于上述情况,本文从Android智能终端软件的安全性和可信性两个方面出发。在安全性方面,由于恶意软件已成为其生态系统的主要威胁,研究如何检测恶意软件以促使用户进行有效识别;在可信性方面,针对未知应用软件,其软件可信性问题愈发突出,研究对其进行可信性评估,以保障其安全的运行,主要内容如下:1.针对应用软件安全性问题,提出一种融合频繁项集与机器学习的Android恶意应用检测方法。该方法首先从各应用中提取出多种静态特征,同时分析了良性软件和恶意软件之间的差异以此作为特征指标;然后,设计了基于Apriori算法挖掘权限的频繁项集,结合敏感应用程序接口(Application Programming Interface,API)调用,通过特征选择算法进行优化选择以得到重要特征;最后,采用三种机器学习分类器实现对特征的学习和分类,从而实现Android恶意应用检测。实验表明权限的频繁项集有利于区分恶意软件,同时,融合频繁项集和机器学习的方法不但具有非常高的检测率,而且系统资源消耗低,其中随机森林分类器其检测率达到99.28%,有效提高了软件的安全性。2.针对Android开放环境,软件可信性评估是软件安全运用的重要保障。文中提出一种基于支持向量机(Support Vector Machine,SVM)和改进证据理论的Android智能终端应用软件可信性评估方法。该方法中,在训练阶段,通过对应用软件样本的运行行为、CPU变化、内存变化、网络流量变化等多种属性进行软件度量,形成属性证据;接着以属性证据作为输入分别对与各属性关联的SVM进行训练;在评估阶段,根据待测应用软件的度量结果,利用SVM分类模型形成与各属性对应的分类概率赋值;然后,在运用熵权法对各属性证据赋予自适应权重的基础上,采用改进证据理论对多属性进行合成,以实现软件可信性评估。实验结果验证了该方法相比单一属性有更高的准确率,同时该方法不但规避了经典证据组合中存在的冲突问题,而且与现有评估方法相比,评估范围更为全面。