本文關鍵詞：移動云服務環(huán)境下的用戶異常行為檢測　出處：《河南科技大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 移動云服務 異常分析 信息熵 模式挖掘 模式增長 自主優(yōu)化

【摘要】：移動云計算是隨著云計算和移動互聯(lián)網的不斷發(fā)展和融合而產生的一種新型應用模式。這種新型應用模式突破了終端硬件的限制,使得移動終端更易實現(xiàn)便攜數據存取、智能負載均衡,降低管理和按需服務成本。移動云服務帶來便利的同時使得在“用戶-環(huán)境-服務”三個層面更易出現(xiàn)安全問題,因此,如何在云服務進入實質性服務流程之前甄別用戶身份及其行為的可信程度成為核心問題。為了解決上述問題,本文從用戶可信性角度出發(fā),采用遞進方式研究移動云環(huán)境下的用戶異常行為檢測方法。本文的主要貢獻與研究工作如下:1.針對識別異常用戶行為常采用的聚類分析和相似性計算存在過擬合和特征信息淹沒等問題,提出一種基于神經網絡聚類的用戶異常行為分析方法。該方法采用SVD分解進行降維和去噪,將信息熵引入神經網絡的隱含層進行軟化分,并利用信息熵求得的權重因子進行相似性計算。仿真結果表明,該方案可以明顯提高檢測速度和聚類精度,更適用于移動云環(huán)境。2.為了解決研究內容1中采樣率不均造成的不平衡數據學習問題,提出一種基于信譽投票的用戶行為異常協(xié)同分析方法。該方法結合異常檢測與誤用檢測技術,利用采樣率與剪枝技術構造訓練樣本,采用集成分類器進行投票以分類用戶行為。在此基礎上,基分類器根據信譽值對用戶行為進行投票,投票機制遵循少數服從多數的原則,進一步提高識別速度的基礎上提升了檢測精度。3.為了能夠提前判定用戶行為的異常與否及用戶意圖,提出一種基于模式增長的異常行為識別與自主優(yōu)化方法。該方法首先采用分層匹配的方法判定是否超出可信容忍范圍;其次,采用功能流和數據流的分析方法對判定后的用戶行為進行擴散分析;最后采用模式增長的方法構建較完備的正常結點子圖集和異常影響結點子圖集,實現(xiàn)對用戶行為的自主提前判定。在移動云服務環(huán)境下識別異常行為已成為移動云計算領域的核心問題,本文針對用戶的歷史行為數據分析挖掘其行為模式,從而根據已有行為模式分析并識別異常行為。本文的研究方法保障了用戶對服務實施的操作總是處于用戶所屬規(guī)則允許范圍內,為移動云服務向用戶提供低耗、高效、可靠的服務奠定了基礎。
[Abstract]:Mobile cloud computing is a new application mode with the development and integration of cloud computing and mobile Internet, which breaks through the limitation of terminal hardware. It makes mobile terminal more easy to access portable data, intelligent load balancing. Reduce the cost of management and on-demand services. Mobile cloud services provide convenience while making it more vulnerable to security problems at the "user-environment-service" level. How to identify the user identity and the trustworthiness of the behavior before the cloud service enters the substantive service process becomes the core problem. In order to solve the above problems, this paper starts from the perspective of user credibility. A progressive approach is used to study the detection method of abnormal behavior of users in mobile cloud environment. The main contributions and research work of this paper are as follows:. 1. There are some problems in clustering analysis and similarity calculation, such as over-fitting and inundation of feature information, which are often used to identify abnormal user behavior. In this paper, a method of user abnormal behavior analysis based on neural network clustering is proposed, in which SVD decomposition is used to reduce and de-noising, and information entropy is introduced into the hidden layer of neural network for softening. The simulation results show that the proposed method can obviously improve the detection speed and clustering accuracy. It is more suitable for mobile cloud environment. 2. In order to solve the problem of unbalanced data learning caused by uneven sampling rate in research content 1. This paper presents a collaborative analysis method of user behavior anomaly based on reputation voting, which combines anomaly detection and misuse detection techniques, using sampling rate and pruning techniques to construct training samples. On the basis of this, the basic classifier votes the user behavior according to the credit value, and the voting mechanism follows the principle of the minority from majority. Further improve the speed of recognition on the basis of improved detection accuracy. 3. In order to be able to determine the user behavior in advance of abnormal or not and user intention. In this paper, a method of pattern growth based abnormal behavior recognition and autonomous optimization is proposed. Firstly, hierarchical matching is used to determine whether it is beyond the range of credibility and tolerance. Secondly, the analysis method of function flow and data stream is used to analyze the user behavior after judgment. Finally, the method of pattern growth is used to construct complete normal node subsets and abnormal impact node subsets. In the mobile cloud service environment, identifying abnormal behavior has become the core issue in the field of mobile cloud computing. This paper analyzes and mine the behavior patterns of users based on the historical behavior data. Thus according to the existing behavior pattern analysis and identification of abnormal behavior. The research method in this paper ensures that the user to implement the operation of the service is always within the scope of the user's rules, for mobile cloud services to provide users with low consumption. Efficient and reliable service laid the foundation.
【學位授予單位】：河南科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP393.09

【相似文獻】

相關期刊論文 前10條

1 吳進;宋順林;王迎春;;基于頻繁偏愛度的使用模式挖掘算法的研究[J];計算機應用;2006年10期

2 王宇新;田佳;郭禾;吳樹朋;楊元生;;應用模糊方法的設計模式挖掘策略研究[J];計算機工程與應用;2010年02期

3 陸億紅;王子仁;黃燕;;適合稀少空間特征的同位模式挖掘算法[J];浙江工業(yè)大學學報;2007年04期

4 郭燕萍;辛伯宇;;高選票例外模式挖掘研究與實現(xiàn)[J];電腦開發(fā)與應用;2007年08期

5 徐顯九;楊燕;岳愛萍;;高效的用戶移動模式挖掘方法[J];計算機應用研究;2007年09期

6 李帆;夏士雄;張磊;;基于模糊理論的不確定軌跡模式挖掘[J];微電子學與計算機;2011年08期

7 李中元;邊馥苓;;空間同位模式挖掘研究進展[J];地理空間信息;2013年06期

8 邢東山,沈鈞毅,宋擒豹;用戶瀏覽偏愛模式挖掘算法的研究[J];西安交通大學學報;2002年04期

9 劉洪輝;吳岳芬;;用戶行為模式挖掘問題的研究[J];計算機技術與發(fā)展;2006年05期

10 付曉翠;許盈;車路;;游戲訪問模式挖掘的研究與應用[J];鄭州大學學報(理學版);2007年04期

相關會議論文 前10條

1 王肅;杜軍平;高田;;基于本體與知識背景的模式挖掘框架研究[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

2 繆裕青;尹東;;分布式存儲結構的頻繁閉合模式挖掘并行算法[A];2007年全國開放式分布與并行計算機學術會議論文集(下冊)[C];2007年

3 王淼;尚學群;謝華博;李戰(zhàn)懷;;行常量差異共表達基因模式挖掘算法研究[A];第29屆中國數據庫學術會議論文集（B輯）（NDBC2012）[C];2012年

4 劉玉葆;蔡嘉榮;印鑒;黃志蘭;;基于最大訪問模式挖掘的數據庫異常行為檢測[A];第二十三屆中國數據庫學術會議論文集（研究報告篇）[C];2006年

5 陸葉;王麗珍;陳紅梅;趙麗紅;;基于可能世界的不確定空間co-location模式挖掘研究[A];NDBC2010第27屆中國數據庫學術會議論文集(B輯)[C];2010年

6 王麗珍;陸葉;陳紅梅;肖清;;基于前綴樹結構的空間co-location模式挖掘算法研究[A];NDBC2010第27屆中國數據庫學術會議論文集(B輯)[C];2010年

7 胡偉成;曹三省;李丹;;一種基于QPop增量時域分割升維的媒體內容應用模式挖掘改進算法[A];第二十二屆中國數據庫學術會議論文集（技術報告篇）[C];2005年

8 薛丹;李德敏;裴仁林;;移動計算中基于PrefixSpan算法的用戶移動模式挖掘[A];第二十一屆中國數據庫學術會議論文集（技術報告篇）[C];2004年

9 宋國杰;馬帥;唐世渭;楊冬青;;基于模式挖掘的交通預測模型[A];第十九屆全國數據庫學術會議論文集（技術報告篇）[C];2002年

10 夏慶;馬元元;孫志揮;;路徑遍歷模式挖掘方法的改進[A];第十六屆全國數據庫學術會議論文集[C];1999年

相關重要報紙文章 前1條

1 辛苑薇;誰將分享“大數據”的智慧盛宴？[N];21世紀經濟報道;2012年

相關博士學位論文 前7條

1 Shafqat Ali Shad;移動用戶軌跡與行為模式挖掘方法研究[D];中國科學技術大學;2013年

2 錢烽;同位模式挖掘研究[D];浙江大學;2012年

3 劉勇;圖模式挖掘技術的研究[D];哈爾濱工業(yè)大學;2010年

4 覃桂敏;復雜網絡模式挖掘算法研究[D];西安電子科技大學;2012年

5 王樂;數據流模式挖掘算法及應用研究[D];大連理工大學;2013年

6 林耀進;多源環(huán)境中數據預處理與模式挖掘的研究[D];合肥工業(yè)大學;2014年

7 曾海泉;時間序列挖掘與相似性查找技術研究[D];復旦大學;2003年

相關碩士學位論文 前10條

1 楊陽;云計算環(huán)境下時空軌跡伴隨模式挖掘研究[D];南京師范大學;2015年

2 李海;基于用戶軌跡數據的周期活動模式挖掘[D];江蘇科技大學;2015年

3 周青峰;云計算環(huán)境下的模式挖掘算法研究[D];浙江工商大學;2015年

4 陳瑞;基于分治子圖和極大有序團樹的co-location模式挖掘研究[D];云南大學;2015年

5 尹騰騰;軟件執(zhí)行軌跡中行為模式挖掘算法研究[D];燕山大學;2015年

6 陳明福;縮小候選集的Top-k高效模式挖掘算法研究[D];重慶大學;2015年

7 張子瀚;面向大數據的高效用模式挖掘方法研究[D];北方工業(yè)大學;2016年

8 張剛領;一種基于團的閉頻繁Co-location模式挖掘方法[D];云南大學;2016年

9 江萬國;基于領域驅動的空間高效用Co-location模式挖掘[D];云南大學;2016年

10 吳錫宇;基于約束的城市co-location模式挖掘[D];云南大學;2016年

，

本文編號：1384481