近年来,移动智能设备（如智能手机和平板电脑）在商业上取得了越来越大成功,已经成为全球数十亿人日常生活中不可或缺的元素。移动设备不仅用于传统的通信活动,如语音通话和信息通信,还用于大量的多用途应用,如金融、游戏、视频会议和购物等。移动用户日常上网行为不仅带来了流量的爆炸式增长,同时也使用户行为呈现出复杂性和多样性。因此,深入分析移动应用流量,识别用户异常行为对移动互联网的安全防范具有重要意义。本文的主要研究内容如下:1.为了解决真实移动网络环境下非目标应用程序流量的干扰问题,提出了一个基于嵌套伪孪生网络的移动应用用户行为识别模型。该模型采用了嵌套网络的结构设计,内层的伪孪生神经网络负责从只包含目标应用程序流量的纯净网络流量中提取指定用户行为的公共流量模式;外层的伪孪生神经网络负责将非目标应用程序和目标应用程序流量混杂的真实网络流量与公共流量模式进行比较,从而快速准确的识别出指定的用户行为。2.为了减少大规模流量采集和模型训练的工作量,提出了一个基于迁移学习的移动应用用户行为识别框架。当前活跃使用的App数量达到百万级别,如果使用传统的监督学习方法为每一个应用或每一个应用的用户行为单独训练一个分类器是不可行的。因此,本框架采用了基于网络的迁移方法,把一个用户行为识别分类器中已经训练好的部分神经网络结构和连接参数进行重新利用,借鉴到另一个用户行为识别分类器中去,从而极大地缩短了训练时间并有效地提高了识别的准确性,避免了大规模标签数据的收集工作,提高了移动应用用户行为识别模型的泛化性。3.设计并实现了一个移动应用用户行为检测平台UAMonitor,能够在真实的移动网络环境下通过监听加密网络流量来识别用户在移动设备上执行的操作,检测出异常的用户行为。该平台界面友好,实现了移动端流量的收集、分类、可视化展示等功能,能够满足实时用户行为检测的功能需求。本文的研究成果对移动网络流量的实时检测以及复杂用户行为识别领域的研究具有一定的借鉴意义。