一种在客户端-云通信系统中生成数据模型的方法，包括：将机器学习技术应用于从多个不同的移动设备收集的行为向量的云语料库，来生成第一族的健壮分类器模型，所述第一族的健壮分类器模型包括与对移动设备的移动设备行为进行分类有关的因素和数据点； 确定是否存在针对所述第一族的健壮分类器模型的足够的变化以保证生成新模型； 响应于确定存在针对所述第一族的健壮分类器模型的足够的变化，确定所述第一族的健壮分类器模型中哪些因素具有高可能性指示所述移动设备的所述移动设备行为是恶意的还是良性的； 基于所确定的因素，生成第二族的精简分类器模型，所述第二族的精简分类器模型包括与由所述移动设备用于确定所述移动设备的所述移动设备行为是恶意的还是良性的有关的数量缩减的因素和数据点，所述第二族的精简分类器模型中的每个精简分类器模型比其在所述第一族的健壮分类器模型中对应的健壮分类器模型少至少一个数量级；以及基于所述第二族的精简分类器模型来生成移动设备分类器模块。

根据权利要求1所述的方法，其中，将机器学习技术应用于从多个不同的移动设备收集的行为向量的云语料库来生成第一族的健壮分类器模型包括：在所述客户端-云通信系统的服务器上，从深度分类器生成所述第一族的健壮分类器模型。

根据权利要求1所述的方法，其中，生成第二族的精简分类器模型包括：在所述客户端-云通信系统的服务器上，从精简分类器中生成所述第二族的精简分类器模型。

根据权利要求1所述的方法，其中，生成第二族的精简分类器模型包括：在所述移动设备上，从精简分类器中生成所述第二族的精简分类器模型。

根据权利要求1所述的方法，其中，生成包括与在所述移动设备上用于确定所述移动设备的所述移动设备行为是恶意的还是良性的有关的数量缩减的因素和数据点的第二族的精简分类器模型包括：通过将所确定的因素应用到所述行为向量的云语料库，来生成所述第二族的精简分类器模型。

一种客户端-云通信系统中的服务器，包括： 用于将机器学习技术应用于从多个不同的移动设备收集的行为向量的云语料库，来生成第一族的健壮分类器模型的单元，所述第一族的健壮分类器模型包括与对移动设备的移动设备行为进行分类有关的因素和数据点； 用于确定是否存在针对所述第一族的健壮分类器模型的足够的变化以保证生成新模型的单元； 用于响应于确定存在针对所述第一族的健壮分类器模型的足够的变化，确定所述第一族的健壮分类器模型中哪些因素具有高可能性指示所述移动设备的所述移动设备行为是恶意的还是良性的单元； 用于基于所确定的因素，生成第二族的精简分类器模型的单元，所述第二族的精简分类器模型包括与由所述移动设备用于确定所述移动设备的所述移动设备行为是恶意的还是良性的有关的数量缩减的因素和数据点，所述第二族的精简分类器模型中的每个精简分类器模型比其在所述第一族的健壮分类器模型中对应的健壮分类器模型少至少一个数量级；以及用于基于所述第二族的精简分类器模型来生成移动设备分类器模块的单元。

根据权利要求6所述的服务器，其中，用于将机器学习技术应用于从多个不同的移动设备收集的行为向量的云语料库来生成第一族的健壮分类器模型的单元包括：用于从深度分类器生成所述第一族的健壮分类器模型的单元。

根据权利要求6所述的服务器，其中，用于生成第二族的精简分类器模型的单元包括：用于从精简分类器中生成所述第二族的精简分类器模型的单元。

根据权利要求6所述的服务器，其中，用于生成第二族的精简分类器模型的单元包括：用于向所述移动设备发送所述第一族的健壮分类器模型和所确定的因素的单元。

根据权利要求6所述的服务器，其中，用于生成包括与在所述移动设备上用于确定所述移动设备的所述移动设备行为是恶意的还是良性的有关的数量缩减的因素和数据点的第二族的精简分类器模型的单元包括：用于通过将所确定的因素应用到所述行为向量的云语料库来生成所述第二族的精简分类器模型的单元。

一种分阶段评估移动设备行为的方法，包括： 监测移动设备行为以生成观测结果； 使用阈值以及关于将所述观测结果应用到初始的缩减的特征集模型的结果，来确定所述移动设备行为是使性能降级的、良性的、还是可疑的； 当确定所述移动设备行为是可疑的时，选择要监测的不同的移动设备行为，对所选择的不同的移动设备行为进行监测，以及基于对所选择的不同的移动设备行为的所述监测来生成细化的观测结果；以及将所述细化的观测结果应用到随后的缩减的特征集模型，以确定所述移动设备行为是使性能降级的、还是良性的。

一种移动设备，包括： 用于监测移动设备行为以生成观测结果的单元； 用于使用阈值以及关于将所述观测结果应用到初始的缩减的特征集模型的结果，来确定所述移动设备行为是使性能降级的、良性的、还是可疑的单元； 用于当确定所述移动设备行为是可疑的时，选择要监测的不同的移动设备行为，对所选择的不同的移动设备行为进行监测，以及基于对所选择的不同的移动设备行为的所述监测来生成细化的观测结果的单元；以及用于将所述细化的观测结果应用到随后的缩减的特征集模型，以确定所述移动设备行为是使性能降级的、还是良性的单元。

一种移动设备，包括： 处理器，其配置有处理器可执行指令以执行包括以下各项的操作：监测移动设备行为以生成观测结果； 使用阈值以及关于将所述观测结果应用到初始的缩减的特征集模型的结果，来确定所述移动设备行为是使性能降级的、良性的、还是可疑的； 当确定所述移动设备行为是可疑的时，选择要监测的不同的移动设备行为，对所选择的不同的移动设备行为进行监测，以及基于对所选择的不同的移动设备行为的所述监测来生成细化的观测结果；以及将所述细化的观测结果应用到随后的缩减的特征集模型，以确定所述移动设备行为是使性能降级的、还是良性的。

一种在客户端-云通信系统中生成数据模型的方法，包括：从多个移动设备接收观测信息； 基于从所述多个移动设备接收的所述观测信息，更新云网络的服务器中的行为分类的全局模型； 执行机器学习操作，以基于所述全局模型来生成第一族的分类器； 确定是否存在针对所生成的第一族的分类器的足够的变化以保证生成新的模型； 当确定存在针对所述第一族的分类器的足够的变化时，确定所生成的第一族的分类器中哪些特征是使移动设备处理器能够决定性地确定移动设备行为是恶意的还是良性的最佳特征； 基于所述最佳特征来生成第二族的分类器； 确定是否存在针对所生成的第二族的分类器的足够的变化以保证生成另外的新模型； 当确定存在针对所述第二族的分类器的足够的变化时，生成另外的分类器模型；以及向所述移动设备处理器发送所生成的另外的分类器模型。

一种服务器，包括： 用于从多个移动设备接收观测信息的单元； 用于基于从所述多个移动设备接收的所述观测信息，更新行为分类的全局模型的单元； 用于执行机器学习操作，以基于所述全局模型来生成第一族的分类器的单元； 用于确定是否存在针对所生成的第一族的分类器的足够的变化以保证生成新的模型的单元； 用于当确定存在针对所述第一族的分类器的足够的变化时，确定所生成的第一族的分类器中哪些特征是使移动设备处理器能够决定性地确定移动设备行为是恶意的还是良性的最佳特征的单元； 用于基于所述最佳特征来生成第二族的分类器的单元； 用于确定是否存在针对所生成的第二族的分类器的足够的变化以保证生成另外的新模型的单元； 用于当确定存在针对所述第二族的分类器的足够的变化时，生成另外的分类器模型的单元；以及用于向所述移动设备处理器发送所生成的另外的分类器模型的单元。

一种客户端-云通信系统中的服务器，包括： 处理器，其配置有处理器可执行指令以执行包括以下各项的操作：将机器学习技术应用于从多个不同的移动设备收集的行为向量的云语料库，来生成第一族的健壮分类器模型，所述第一族的健壮分类器模型包括与对移动设备的移动设备行为进行分类有关的因素和数据点； 确定是否存在针对所述第一族的健壮分类器模型的足够的变化以保证生成新模型； 响应于确定存在针对所述第一族的健壮分类器模型的足够的变化，确定所述第一族的健壮分类器模型中哪些因素具有高可能性指示所述移动设备的所述移动设备行为是恶意的还是良性的； 基于所确定的因素，生成第二族的精简分类器模型，所述第二族的精简分类器模型包括与由所述移动设备用于确定所述移动设备的所述移动设备行为是恶意的还是良性的有关的数量缩减的因素和数据点，所述第二族的精简分类器模型中的每个精简分类器模型比其在所述第一族的健壮分类器模型中对应的健壮分类器模型少至少一个数量级；以及基于所述第二族的精简分类器模型来生成移动设备分类器模块。

根据权利要求16所述的服务器，其中，所述处理器配置有处理器可执行指令，以使得将机器学习技术应用于从多个不同的移动设备收集的行为向量的云语料库来生成第一族的健壮分类器模型包括：从深度分类器生成所述第一族的健壮分类器模型。

根据权利要求16所述的服务器，其中，所述处理器配置有处理器可执行指令，以使得生成第二族的精简分类器模型包括：从精简分类器中生成所述第二族的精简分类器模型。

根据权利要求16所述的服务器，其中，所述处理器配置有处理器可执行指令，以使得生成第二族的精简分类器模型包括：向所述移动设备发送所述第一族的健壮分类器模型和所确定的因素。

根据权利要求16所述的服务器，其中，所述处理器配置有处理器可执行指令，以使得生成包括与在所述移动设备上用于确定所述移动设备的所述移动设备行为是恶意的还是良性的有关的数量缩减的因素和数据点的第二族的精简分类器模型包括：通过将所确定的因素应用到所述行为向量的云语料库来生成所述第二族的精简分类器模型。

一种服务器，包括： 处理器，其配置有处理器可执行指令以执行包括以下各项的操作：从多个移动设备接收观测信息； 基于从所述多个移动设备接收的所述观测信息，更新行为分类的全局模型； 执行机器学习操作，以基于所述全局模型来生成第一族的分类器； 确定是否存在针对所生成的第一族的分类器的足够的变化以保证生成新的模型； 当确定存在针对所述第一族的分类器的足够的变化时，确定所生成的第一族的分类器中哪些特征是使移动设备处理器能够决定性地确定移动设备行为是恶意的还是良性的最佳特征； 基于所述最佳特征来生成第二族的分类器； 确定是否存在针对所生成的第二族的分类器的足够的变化以保证生成另外的新模型； 当确定存在针对所述第二族的分类器的足够的变化时，生成另外的分类器模型；以及向所述移动设备处理器发送所生成的另外的分类器模型。

一种非暂时性计算机可读存储介质，其具有被存储在其上的处理器可执行软件指令，所述处理器可执行软件指令被配置为使处理器执行用于分阶段评估移动设备行为的操作，所述操作包括：监测移动设备行为以生成观测结果； 使用阈值以及关于将所述观测结果应用到初始的缩减的特征集模型的结果，来确定所述移动设备行为是使性能降级的、良性的、还是可疑的； 当确定所述移动设备行为是可疑的时，选择要监测的不同的移动设备行为，对所选择的不同的移动设备行为进行监测，以及基于对所选择的不同的移动设备行为的所述监测来生成细化的观测结果；以及将所述细化的观测结果应用到随后的缩减的特征集模型，以确定所述移动设备行为是使性能降级的、还是良性的。

一种非暂时性计算机可读存储介质，其具有被存储在其上的服务器可执行软件指令，所述服务器可执行软件指令被配置为使服务器处理器执行用于在客户端-云通信系统中生成数据模型的操作，所述操作包括：将机器学习技术应用于从多个不同的移动设备收集的行为向量的云语料库，来生成第一族的健壮分类器模型，所述第一族的健壮分类器模型包括与对移动设备的移动设备行为进行分类有关的因素和数据点； 确定是否存在针对所述第一族的健壮分类器模型的足够的变化以保证生成新模型； 响应于确定存在针对所述第一族的健壮分类器模型的足够的变化，确定所述第一族的健壮分类器模型中哪些因素具有高可能性指示所述移动设备的所述移动设备行为是恶意的还是良性的； 基于所确定的因素，生成第二族的精简分类器模型，所述第二族的精简分类器模型包括与由所述移动设备用于确定所述移动设备的所述移动设备行为是恶意的还是良性的有关的数量缩减的因素和数据点，所述第二族的精简分类器模型中的每个精简分类器模型比其在所述第一族的健壮分类器模型中对应的健壮分类器模型少至少一个数量级；以及基于所述第二族的精简分类器模型来生成移动设备分类器模块。

根据权利要求23所述的非暂时性计算机可读存储介质，其中，所存储的服务器可执行软件指令被配置为使所述服务器处理器执行操作，使得将机器学习技术应用于从多个不同的移动设备收集的行为向量的云语料库来生成第一族的健壮分类器模型包括：在所述客户端-云通信系统的服务器上，从深度分类器生成所述第一族的健壮分类器模型。

根据权利要求23所述的非暂时性计算机可读存储介质，其中，所存储的服务器可执行软件指令被配置为使所述服务器处理器执行操作，使得生成第二族的精简分类器模型包括：在所述客户端-云通信系统的服务器上，从精简分类器中生成所述第二族的精简分类器模型。

根据权利要求23所述的非暂时性计算机可读存储介质，其中，所存储的服务器可执行软件指令被配置为使所述服务器处理器执行操作，使得生成第二族的精简分类器模型包括：在所述移动设备上，从精简分类器中生成所述第二族的精简分类器模型。

根据权利要求23所述的非暂时性计算机可读存储介质，其中，所存储的服务器可执行软件指令被配置为使所述服务器处理器执行操作，使得生成包括与在所述移动设备上用于确定所述移动设备的所述移动设备行为是恶意的还是良性的有关的数量缩减的因素和数据点的第二族的精简分类器模型包括：通过将所确定的因素应用到所述行为向量的云语料库，来生成所述第二族的精简分类器模型。

一种非暂时性计算机可读存储介质，其具备被存储在其上的服务器可执行软件指令，所述服务器可执行软件指令被配置为使服务器处理器执行用于在客户端-云通信系统中生成数据模型的操作，所述操作包括：从多个移动设备接收观测信息； 基于从所述多个移动设备接收的所述观测信息，更新云网络的服务器中的行为分类的全局模型； 执行机器学习操作，以基于所述全局模型来生成第一族的分类器； 确定是否存在针对所生成的第一族的分类器的足够的变化以保证生成新的模型； 当确定存在针对所述第一族的分类器的足够的变化时，确定所生成的第一族的分类器中哪些特征是使移动设备处理器能够决定性地确定移动设备行为是恶意的还是良性的最佳特征； 基于所述最佳特征来生成第二族的分类器； 确定是否存在针对所生成的第二族的分类器的足够的变化以保证生成另外的新模型； 当确定存在针对所述第二族的分类器的足够的变化时，生成另外的分类器模型；以及向所述移动设备处理器发送所生成的另外的分类器模型。