本发明涉及一种基于差分隐私联邦深度学习的安卓恶意应用检测方法,包括以下步骤:收集恶意软件数据集;静态代码分析特征和动态运行时特征提取并融合,将末尾20个特征加入“高斯”噪声机制;搭建联邦学习FedAvg框架,框架里面训练所采用的深度学习模型为CNN+B i LSTM+Attent i on模型;将特征向量输入到客户端,所有客户端训练后的梯度传送到服务端,服务端对其进行加权求和取平均,得到的平均梯度重新发送给客户端用于下一轮训练,重复多次迭代得到最终的预测效果。本发明使用了动静结合的特征提取手段,通过分布式架构训练模型,能够在不影响模型效果的前提下,还能解决中央型模型存在的不足等问题。