数字化校园中用户网络行为大数据的分析与监控

针对日益发展的数字化校园中不规范的用户网络行为,创新提出了一种基于用户网络通信大数据分析和监控的系统设计与实现。本文首先分析了监控技术的方向;其次从数字化校园建设出发介绍了在校园局域网中产生的大数据监控系统的架构思想;然后详细描述了架构中大数据采集、大数据分析、大数据处理及存储的方法和算法。其中大数据存储和处理主要采用Hadoop分布式处理平台完成设计(包括HDFS文件和Hbase数据库);最后通过实验验证了该算法真实可行。本文的技术创新点在大数据分析算法中采用矩阵模式合并不同的文件数据,规避出错率,提高数据处理效率。

用户网络行为与个性化服务研究

首先分析了用户信息需求的个性化及其决定的信息服务的个性化特征 ,再从客户细分、业务细分的市场观念出发 ,提出了个性化网络服务的特征和流程 ,叙述承载个性化网络服务所需要的网络平台、系统应用平台以及实现个性化服务所必需的WebQoS(Web服务质量 )。并以普遍应用的以太网作为网络平台 ,简单介绍了完整实现个性化网络服务所配套的MPLSoE(以太网多协议标签交换 )等相关技术。

用户网络行为习惯模型

在对基于知识推理的智能网络入侵检测模型和网络安全预警方法的研究过程中,通过对网络黑客攻击方式和手段以及Internet上用户网络行为特征的分析,给出了用户违反网络安全规则行为的分类原则,在此基础上,提出了基于数理统计思想的用户网络行为习惯模型,并在FireGuard代理防火墙系统的智能安全预警子系统中进行了实现.\

基于Web日志挖掘的网络用户行为交互式可视化分析

高校在校大学生用户群体的网络行为分析是一个有着普遍需求和意义的重要课题,具有丰富的现实意义与社会价值。本文提出网络用户行为交互式可视化分析方法,研究分析高校大学生用户群体网络行为的特征和兴趣。首先获取某高校真实的网络用户访问日志;其次通过清洗缺省值、去重、规范化等数据预处理方法,选取日期、时间、用户账号和访问地址作为特征属性,并在数据集中标记出每个URL的主题分类和每个用户所属的学院等属性;然后从用户、主题分类、时序3个维度分析得出这些属性的分布情况,发现网络用户行为的区别和联系;最后利用ECharts交互式可视化工具展示分析结果。实验结果反映出当前大学生用户的网络行为特征及兴趣喜好,揭示了大学生用户的网络行为模式,为教学管理者的决策提供了数据支持。

面向互联网用户行为分析的加权概率融合贝叶斯网络研究

针对依靠单一算法训练互联网用户行为数据构建的贝叶斯网络(Bayesian Network,BN)计算耗时长、结构不稳定等问题,提出加权概率融合并行贝叶斯网络增量学习(WPFPBayes)算法。该算法根据自适应数据切片算法找出最优数据片尺寸,快速进行并行BN模型训练;将数据切片上学习得到的若干子BN结构通过融合加权概率方法合并成一个全局BN模型;通过一种增量评分函数定量表示单位时间内网络模型与数据之间适应程度的变化情况;采用依据特定结点进行BN更新的措施达到新旧数据在网络中的平衡。仿真实验结果表明:WPFPBayes算法下得出的BN模型的效率及其准确率均高于其他常见算法;随着数据量的增加,BN模型数据表达的准确率和稳定性均得到提高,可以更有效检测网络用户的异常行为。

一种基于选择性协同学习的网络用户异常行为检测方法

为了快速准确检测网络用户的异常行为,机器学习技术得到了广泛应用.但随着用户规模的扩大及用户行为的复杂化,基于机器学习的传统检测方法面临着大量标记训练样本而导致的巨大开销、实际网络用户异常行为数据非平衡性而导致的检测准确性不足等问题.因此,将选择性集成技术引入到协同学习过程中,提出了一种基于选择性协同学习的网络用户异常行为检测方法,使用基于多数类分布的改进EasyEnsemble方法将非平衡训练样本划分为平衡的样本子集,然后使用基于混合扰动的生成方法构造差异性成员分类器对样本子集进行协同学习,在学习过程中使用选择性集成进行置信度计算与数据更新以减少开销,并基于准确性选择构建集成分类器用于实际检测,使得检测方法在获得非平衡性复杂分布数据的处理能力的同时进一步提高检测准确性.实验结果表明,该方法较传统方法减少了对训练样本中标记数据的需求,同时在准确性评价指标上表现更好,能更快速准确地检测出网络用户的异常行为.

一种Internet的网络用户行为分析方法的研究

文章在系统研究Internet的用户行为特征的基础上,从监测和分析的角度,给出了因特网用户行为的一种分类方式及表示方式。讨论了正常行为聚类研究的常用方法和异常行为的监测方法,设计了分布式的网络用户行为分析模型的体系结构,为网络用户行为的自动发现提出了一种有效的解决途径。

基于云模型理论的网络用户行为评判模型研究

由于网络的异构性使得网络中的用户纷繁复杂,而众多的网络用户行为表现方式又多种多样,也直接影响到网络的安全性.本文借鉴已有的研究工作,以复杂的网络环境为研究背景,通过对复杂网络环境中用户行为的研究,引入云模型理论,研究并提出了一个基于云模型理论的网络用户行为评判模型,实现了对网络用户行为定量描述及评判;同时研究结果还体现了网络用户行为的不确定性和评判标准的差异性,这样使网络行为评判结果更加符合客观事实.仿真实验进一步验证了本文研究的网络用户行为评判模型能够对复杂的网络环境中网络用户行为做出合理的评判,为复杂的网络环境中网络行为评判的研究提供了有价值的新思路.

基于网络用户行为的相关页面挖掘模型

文章提出了一种基于网络用户行为的相关页面挖掘模型。模型采用统计的方法对proxy日志进行挖掘。模型的输入是一个WEB页面,输出是一组与之相关的页面。模型的假设基础是一组兴趣相似的人访问的页面有可能相关。模型从用户群中找出对输入页面感兴趣的用户,通过聚类从这些用户中找出一类具有相似兴趣背景且对输入页面最感兴趣的用户,综合这类用户感兴趣的页面,从中挖掘出与输入页面相关的页面。该模型与目前流行的相关页面检索算法的最大区别在于分析的对象是网络用户行为,因为模型认为页面是否相关的最终判定者应该是用户,通过分析网络用户行为能够更好地挖掘用户在页面相关判定上的潜在意识。用户对页面的兴趣度基于用户对页面的访问频率而定义。实验表明,该模型是可行的。该模型可用于改进传统的IR,提供相关反馈和查询扩展,使其更加适应Internet检索。该模型也可用于内容安全方面的相关主题预测。

基于网络用户行为的网站发展研究

基于网站用户群体的行为特征在很大程度上体现了网站的发展状况,为从用户行为的角度研究网站的发展,在互联网中提出了空间的概念,并定义了互联网空间和网站发展空间,分别用来代表整个互联网以及衡量网站的发展现状和发展趋势。为展示各个网站在互联网空间中的位置分布情况和发展空间大小,使用网站用户规模、用户满意度和重访率三个参数建立了网站发展空间模型。根据网络用户行为指标的特征,对应地提出了模型参数的计算方法,进而通过网站发展空间模型直观地展示各个网站的发展情况和发展趋势。针对移动互联网的快速发展,在移动互联网中更能体现网站的发展过程,因此采用来自某大型移动网络的用户点击流数据对网站发展空间模型进行实验,详细分析并展示真实网站的发展现状,准确地预测网站的发展趋势,验证网站发展空间模型的有效性。

基于网络用户行为的搜索引擎系统SISI

提出了一种基于网络用户行为的搜索引擎SISI(Similar Interest,Similar access on Internet)。SISI的查询输入是一个Web文档的URL。SISI的检索模型是使用统计的方法基于网络日志中用户对文档的访问频率挖掘相关文档,充分利用了用户在相关文档判定上的潜在意识。模型的假设基础是一组兴趣相似的人访问的文档有可能相关。与传统的搜索引擎相比较,搜索引擎SISI具有系统初始化时间代价小、空间代价小等优点。同时SISI的检索优势在于可以查找那些没有显式相似内容的相关文档,尤其是在检索处理时避开了文档的类型,将文本文档和多媒体文档一视同仁。

基于大数据的网络用户行为分析

大数据的数据分析应用改变了人们的生活,同时深入影响了企业商业模式的创新。本文阐述了大数据的概念和特征,分析了大数据对于网络用户行为的影响,并对基于大数据的网络用户行为分析模式进行了实证研究。

区块链技术下的网络用户行为管理系统研究

信息化时代下网络环境成为信息交流传递的主要平台,而互联网信息的繁杂与网络用户行为的多样化为互联网信息管理带来众多困难,规范网络用户行为与管理网络信息成为互联网时代的重要研究热点。文章结合区块链去中心化、信息不可篡改、智能合约、分布式存储等特点,研究提出区块链技术下的网络用户行为管理系统,在保证网络用户自由化行为的前提下,提高网络环境的信息管理与行为约束。

基于解释结构模型的网络用户信息行为影响因素研究

采用系统工程的方法,基于解释结构模型,对影响网络用户信息行为的因素进行分析,将影响用户信息行为的13个因素划分为不同的层次,确定不同层次要素之间以及同一层次不同要素之间的关系,分清根源因素、中间因素以及表象因素,最终根据影响因素之间的关系提出合理建议。

基于动态认知的微博用户行为关系网络构建方法

构建微博用户的社会关系网络是分析微博数据的重要基础手段之一。由于微博用户在信息的发布和传播过程中具有不确定的行为特性,导致常见方法无法有效地完成微博用户行为关系网络的建模。该文以不确定理论为基础,提出了基于Rough Set的动态认知技术,对微博的海量不完备信息进行处理,完成对用户行为的计算分析,构建了微博用户行为关系网络。并以此为基础,结合用户操作、主题与情感分析方法,对微博中的网络事件发展进行了分析。

基于模糊K均值聚类的高校网络用户行为分析

随着网络科技的迅猛发展,互联网用户的规模正在以指数的速度不断增长。高校网络用户的规模也随着互联网兴起而出现大规模增长。对高校网络用户的上网行为进行分析,能够更好地掌握在校学生的动态,为学校制定科学、高效的互联网管理方式奠定了更加客观的数据基础。本文首先将高校网络用户上网行为进行分类,然后通过模糊K均值聚类算法对学生的上网行为进行分类。实践表明,通过对某高校的学生上网行为展开分析,为该校的互联网管理和学生的精细化管理提供了有利的数据支撑。

基于百度指数的国家海洋博物馆网络用户搜索行为研究

为了解博物馆潜在观众的行为和心理,促进博物馆的可持续发展,基于百度指数的大数据分析功能,对国家海洋博物馆2019年5月1日到2020年4月30日为期一年的网络用户搜索行为数据进行了系统分析。时间数据显示,网络用户搜索行为存在明显的周期性分布规律:PC端的搜索波峰一般出现在工作日,移动端则在周末;月初搜索指数普遍较高,月尾则回落;第二、三季度的搜索指数要明显高于第四季度,节假日效应显著。空间数据显示,搜索行为普遍出现在以所在地天津为中心的京津冀及周边地区,体现了公众就近观展的倾向。同时,通过与天津博物馆和天津自然博物馆的网络用户搜索情况进行对比分析,进一步明确了国家海洋博物馆与两馆在搜索群体空间分布和目标群体等方面存在的差异,为国家海洋博物馆制定更具创新性、高效性的发展策略提供了参考。

基于小波聚类的网络用户行为分析

网络用户行为体现为用户使用的网络应用,且用户群体的划分与业务具有密不可分的关系。通过研究用户使用的网络应用来分析用户的行为规律,提出一种基于小波聚类的网络用户行为分析方法。改方法利用小波聚类将数据进行聚类,按照不同的网络业务偏好将用户群体分为不同的网络业务类,实现用户使用网络业务偏好的群体划分。

基于大数据的网络用户异常行为检测方法研究

传统的网络用户异常行为检测方法准确度不高,无法满足时代的需求,为此提出基于大数据的网络用户异常行为检测方法。基于大数据平台,构建识别网络用户异常行为框架图,用于判断用户的正常行为和非正常行为,考虑到计算时间复杂度高的问题,采用聚类算法筛选冗余数据,在完成上一步操作后,进行网络用户异常行为检测,实现基于大数据的网络用户异常行为检测方法的设计。实验选取了8个实验参数,对比两种检测方法的准确性,实验结果表明,所提方法准确性更高。

IP网络用户行为分析方法的探讨

中国电信正处在向现代综合信息服务提供商转型的时期，实施精确化管理则是实现中国电信战略转型的关键措施之一。而对IP网络用户行为分析，是互联网业务精确化管理的任务之一，也是面向用户实施针对性营销的前提和保证。通过对IP网络用户行为的深入分析，可以了锵用户的真正需求，充分利用网络资源，开发有吸引力的增值业务，提升用户对网络的依赖性和忠诚度，进而构建更好的盈利模式。