1.一种基于改进灰狼算法的Android恶意应用检测方法，其特征在于，包括下列步骤：

1)收集样本集，也就是Android应用程序，包括良性APK和恶意APK；

2)对良性APK和恶意APK分别进行反编译，提取出样本特征形成样本特征集；

3)基于k折交叉验证方法，将样本特征集分成k份，取其中一份为测试集，其余k-1份为训练集；

4)使用改进后灰狼算法进行包裹式特征选择，选择出最优特征子集，使用常见机器学习分类器进行分类检测，采用fitness(x)作为灰狼算法的适应度函数；

5)对分类器使用选择出的最优特征子集进行训练，得到训练好的分类器；

6)根据步骤2)提取待检测APK特征，将其映射到最优特征子集中得到特征向量，用训练好的分类器判断该特征向量是否恶意，即完成检测。

2.根据权利要求1所述的基于改进灰狼算法的Android恶意应用检测方法，其特征在于，所述步骤2)中提取样本特征的方法为：

2a)使用反编译工具apktool对收集到的APK进行反编译，得到*.smali文件，依次扫描各个smali文件中的“invoke-virtual”语句，得到该APK的API调用信息；

2b)使用Android SDK中的工具——appt提取出APK申请的权限，得到该APK的权限信息；

2c)取所有APK的API调用信息和权限信息的全集作为特征集合；每一行表示一个APK文件，每一列表示一个特征，0表示不存在该特征，1表示存在该特征，并在最后一列加入类别标签，良性表示为0，恶意表示为1。

3.根据权利要求1所述的基于改进灰狼算法的Android恶意应用检测方法，其特征在于，所述步骤3)的k折交叉验证方法中k是任意大于1的常数。

4.根据权利要求1所述的基于改进灰狼算法的Android恶意应用检测方法，其特征在于，常见k取值为5或10。

5.根据权利要求1所述的基于改进灰狼算法的Android恶意应用检测方法，其特征在于，步骤4)所述的适应度函数fitness(x)为：其中，F-value和G-mean的计算公式分别为：

其中，TP表示恶意应用软件被正确识别的数量，FP表示良性应用软件被误识别为恶意应用软件的数量，FN表示恶意应用软件被误识别的数量；使用k折交叉验证训练分类器可以得到TP、FP、FN，再根据公式计算得到F-value和G-mean；|x|表示个体中1的个数，n是所有特征的数量，等于noV。

6.根据权利要求1所述的基于改进灰狼算法的Android恶意应用检测方法，其特征在于，所述步骤4)中改进后灰狼算法的包裹式特征选择，具体为：

4a)初始化：初始化灰狼算法的种群规模noP，个体维度noV，于是得到一个noP×noV的

01矩阵，矩阵每一行表示一个个体，具体为：Xi＝(Xi1,Xi2,…,XinoV)，行中的每一列对应着一个特征，其值为0表示不选择该特征，其值为1表示选择该特征；另外设置算法搜索的最大迭代次数为Max_iteration；

4b)对灰狼种群中每一个个体所表示的特征集合，分别用训练集训练分类器，并用测试集测试分类效果，得到TP、FN和FP；并使用fitness(x)计算灰狼个体的适应度值，将适应度值较大的前三个个体确定为：

4c)判断是否达到最大迭代次数，若是，输出 和 的适应度值 并根据得到最优特征子集， 所有为1的列所组成的集合即为最优特征子集，若否，执行4d)～

4e)；

4d)采用公式(6)～公式(7)更新灰狼种群中各个个体的位置：在这里， 是一个向量，表示一个个体，而Xi,d(i＝1,2,3)表示该向量的第d位，Xi(t)表示第i个个体的第t次迭代时的位置；Si,d表示Xi,d取1的概率，rand()是[0,1]之间的随机数；

4e)计算改变位置后的各个个体的适应度，更新

7.根据权利要求1所述的基于改进灰狼算法的Android恶意应用检测方法，其特征在于，所述步骤4)中常见机器学习分类器采用朴素贝叶斯、支持向量机或者决策树。