隨著企業(yè)信息化水平的不斷提升,企業(yè)核心業(yè)務(wù)越來(lái)越依賴于信息系統(tǒng)的可靠運(yùn)行。對(duì)企業(yè)而言,任何信息系統(tǒng)用戶所進(jìn)行的異常操作,都可能會(huì)給企業(yè)帶來(lái)不可估量的損失。因此,用戶異常行為對(duì)企業(yè)造成的負(fù)面影響是一個(gè)無(wú)法忽視的問(wèn)題,用戶異常行為檢測(cè)也成為當(dāng)前學(xué)者的研究熱點(diǎn)。在各種用戶異常行為檢測(cè)方法中,數(shù)據(jù)驅(qū)動(dòng)方法可以適應(yīng)數(shù)據(jù)的復(fù)雜變化,所以采用數(shù)據(jù)驅(qū)動(dòng)的方法進(jìn)行用戶異常行為檢測(cè)。由于存在多種多樣的數(shù)據(jù)驅(qū)動(dòng)方法,因此,如何選擇一種高效準(zhǔn)確的用戶異常行為預(yù)測(cè)方法,成為了本文的研究問(wèn)題之一。此外,目前企業(yè)中的異常檢測(cè)軟件大多針對(duì)系統(tǒng)的軟硬件本身而開(kāi)發(fā),很少有專門檢測(cè)用戶行為的系統(tǒng),而且用戶異常行為的分析處理過(guò)程耗時(shí)較長(zhǎng),有較多步驟都可實(shí)施自動(dòng)化操作。因此,亟需開(kāi)發(fā)一個(gè)用于預(yù)測(cè)用戶異常行為的系統(tǒng),幫助企業(yè)提高數(shù)據(jù)處理效率,增加數(shù)據(jù)價(jià)值。為了解決這兩個(gè)問(wèn)題,本文以某船舶企業(yè)為例,采用特征工程的理論和方法,對(duì)信息系統(tǒng)日志數(shù)據(jù)進(jìn)行了特征處理,并對(duì)相關(guān)分類模型與算法進(jìn)行了詳細(xì)的分析闡述和實(shí)驗(yàn)研究,并基于此設(shè)計(jì)了預(yù)測(cè)系統(tǒng),最后提煉出了一個(gè)用戶異常行為預(yù)測(cè)流程。本文主要研究和完成的工作如下:(1)日志數(shù)據(jù)的異常行為分類和...

【文章頁(yè)數(shù)】：96 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 研究綜述
        1.3.1 文獻(xiàn)檢索和分析
        1.3.2 信息系統(tǒng)日志研究
        1.3.3 用戶異常行為研究
        1.3.4 異常行為檢測(cè)技術(shù)研究
        1.3.5 現(xiàn)有研究述評(píng)
    1.4 研究?jī)?nèi)容、方法與技術(shù)路線圖
        1.4.1 研究?jī)?nèi)容
        1.4.2 研究方法
        1.4.3 技術(shù)路線圖
    1.5 研究創(chuàng)新點(diǎn)
    1.6 本章小結(jié)
第2章 相關(guān)理論與方法
    2.1 特征工程理論
        2.1.1 特征匹配
        2.1.2 特征構(gòu)造
        2.1.3 特征編碼
        2.1.4 特征縮放
        2.1.5 特征降維
    2.2 深度神經(jīng)網(wǎng)絡(luò)模型
        2.2.1 深度學(xué)習(xí)與深度神經(jīng)網(wǎng)絡(luò)概述
        2.2.2 模型基本結(jié)構(gòu)
        2.2.3 模型參數(shù)調(diào)節(jié)
        2.2.4 激活函數(shù)選擇
        2.2.5 模型擬合問(wèn)題
    2.3 用于對(duì)比性能的統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)算法
        2.3.1 多重線性回歸方法
        2.3.2 支持向量機(jī)分類方法
    2.4 模型效果評(píng)估方法
    2.5 本章小結(jié)
第3章 基于信息系統(tǒng)日志的異常行為分類與特征工程構(gòu)建
    3.1 數(shù)據(jù)收集與預(yù)處理
        3.1.1 數(shù)據(jù)收集
        3.1.2 數(shù)據(jù)預(yù)處理
    3.2 異常行為分類
    3.3 特征工程構(gòu)建
        3.3.1 原始特征提取
        3.3.2 目標(biāo)特征構(gòu)造
        3.3.3 特征數(shù)值化編碼
        3.3.4 特征分級(jí)縮放
        3.3.5 隨機(jī)森林降維
    3.4 異常行為發(fā)生率統(tǒng)計(jì)
    3.5 本章小結(jié)
第4章 基于DNN的用戶異常行為預(yù)測(cè)
    4.1 DNN模型構(gòu)建與參數(shù)調(diào)整
    4.2 DNN模型分類效果分析
    4.3 其余模型分類效果分析
        4.3.1 MLR分類
        4.3.2 SVM分類
    4.4 預(yù)測(cè)結(jié)果對(duì)比分析
    4.5 本章小結(jié)
第5章 基于DNN的用戶異常行為預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    5.1 整體目標(biāo)和需求分析
        5.1.1 系統(tǒng)整體目標(biāo)
        5.1.2 功能需求分析
    5.2 開(kāi)發(fā)運(yùn)行的軟件環(huán)境
    5.3 系統(tǒng)運(yùn)行流程設(shè)計(jì)
    5.4 系統(tǒng)實(shí)現(xiàn)
    5.5 用戶異常行為預(yù)測(cè)流程歸納
    5.6 本章小結(jié)
第6章 結(jié)論與展望
    6.1 研究結(jié)論
    6.2 研究不足和展望
參考文獻(xiàn)
附錄
攻讀碩士學(xué)位期間所取得的相關(guān)科研成果
致謝
大摘要



本文編號(hào)：3788540