随着移动终端的普及,人们能够在网络中方便地进行实时通话、消息传递、数据传输。办公数据保存也逐渐由传统的纸质化存储转为电子化存储。在办公效率提高的同时,也增大了涉密人员通过移动终端失泄密的可能性,危害着国家机关、政府部门、企业个人的安全和隐私。因此,研究一种实时高效的保密检查技术,建立一套有效的移动终端的失泄密分析框架,是目前信息安全保密领域亟待解决的问题。本文通过对支持向量机描述边界(SVDD,Support Vector Data Description)算法的改进,提出了一种更适合保密领域移动终端数据特点的N-SVDD算法,并以此算法为核心构建了机器学习模型,最后给出了一个基于N-SVDD的移动终端失泄密分析框架。通过此框架,可及时评估涉密人员通过移动终端失泄密的可能性,及时发现失窃密事件。SVDD是一种机器学习算法,能够对目标类进行二类划分,适用于样本少且样本集分布均匀的场景。保密领域移动终端数据具有海量性和异构性的特点,因此,直接应用SVDD算法,会带来执行时间长、不能适应多异常值等瓶颈问题。针对这个问题,本文首先在传统SVDD算法中引入K-Means聚类分析技术和局部疏密度算法,提出了一种改进的N-SVDD算法,以有效弥补SVDD算法不足,进而提升算法执行效率和准确率;然后,利用N-SVDD算法构建了准确、高效的机器学习模型;随后,在所提算法和模型的基础上,设计并实现了一种包含数据获取、失泄密分析模型建立、失泄密判定三个基本步骤的移动终端失窃密分析框架。最后,利用统一性能评价标准,使用保密领域实际数据作为测试用例,对N-SVDD算法的性能进行了测试,对以此算法为核心的失窃密分析框架的可行性和有效性进行了验证。对比实验结果表明,与SVDD算法相比,N-SVDD算法在算法时间、准确率等性能指标上有明显提升。基于N-SVDD的移动终端失窃密分析框架,能够高效、准确地对移动终端的失泄密进行分析和判定。