基于聚類的網(wǎng)絡(luò)用戶行為分析.pdf

1、隨著計算機網(wǎng)絡(luò)的普及和發(fā)展，網(wǎng)絡(luò)用戶的規(guī)模在逐漸擴(kuò)大，網(wǎng)絡(luò)用戶的行為也越來越復(fù)雜。一方面需要快速檢測和有效控制網(wǎng)絡(luò)破壞、網(wǎng)絡(luò)欺騙和網(wǎng)絡(luò)入侵等網(wǎng)絡(luò)違規(guī)行為；另一方面需要對用戶使用網(wǎng)絡(luò)的行為習(xí)慣、愛好進(jìn)行了解，以實現(xiàn)更好的網(wǎng)絡(luò)服務(wù)。因此對網(wǎng)絡(luò)用戶行為的研究與分析越來越重要。本文在Netflow技術(shù)的基礎(chǔ)上，分別從以下兩方面著手作了相關(guān)研究。
　　 實現(xiàn)用戶異常行為的檢測。首先，對用戶行為建模，已有研究基于網(wǎng)絡(luò)Netflow流信息進(jìn)行

2、IP為源和目的的混合特征統(tǒng)計建模，本文在這個基礎(chǔ)上作了修改，即根據(jù)IP為源和IP為目的進(jìn)行分開建模，這樣能夠在已有研究的用戶行為屬性上進(jìn)行降維，同時也糾正了混合特征對結(jié)果的影響；然后，采用了一種經(jīng)典的快速聚類算法K-Medoids算法，并針對其存在的缺陷：需要輸入聚類個數(shù)K導(dǎo)致聚類結(jié)果不穩(wěn)定，通過引用參數(shù)聚類半徑R，在不需要輸入聚類個數(shù)K的情況下，獲得最佳的聚類質(zhì)量和聚類個數(shù)；最后，設(shè)計了一種異常反選擇標(biāo)準(zhǔn)，即密度評估標(biāo)準(zhǔn)，既能控制本文

3、實行局部聚類對檢測結(jié)果的影響，又能有效對聚類后的異常行為進(jìn)行識別。本文方法比已有研究的算法快速，而且檢測率要高，誤檢率要低。
　　 實現(xiàn)網(wǎng)絡(luò)用戶業(yè)務(wù)偏好的分析。首先，通過采用已有的業(yè)務(wù)識別工具對網(wǎng)絡(luò)用戶業(yè)務(wù)數(shù)據(jù)流進(jìn)行各業(yè)務(wù)流量比例統(tǒng)計，為用戶業(yè)務(wù)行為建模；其次，在用戶的業(yè)務(wù)行為具有層次特點的基礎(chǔ)上，采用數(shù)據(jù)挖掘中經(jīng)典層次聚類算法來對用戶的業(yè)務(wù)行為進(jìn)行聚類，實現(xiàn)用戶使用業(yè)務(wù)偏好的群體劃分。在聚類過程中，利用了信息論中熵的概念，通過