社交網(wǎng)絡(luò)用戶身份識別是網(wǎng)絡(luò)用戶研究的一個(gè)重要領(lǐng)域,在跟蹤用戶行為、檢測非法活動中發(fā)揮著重要的作用。然而在現(xiàn)有的用戶識別方法中,用戶信息的收集存在一定困難,因此大部分方法屬于課題研究,處理數(shù)據(jù)量較少,難以用于實(shí)際工程領(lǐng)域�，F(xiàn)有方法的識別準(zhǔn)確率有待提高。因此對網(wǎng)絡(luò)用戶識別算法進(jìn)行研究,設(shè)計(jì)實(shí)現(xiàn)一套能夠應(yīng)對大規(guī)模數(shù)據(jù)處理的高精度的網(wǎng)絡(luò)用戶識別系統(tǒng)成為了一個(gè)重要的研究方向。本文對網(wǎng)絡(luò)用戶識別中的Learning from Positive and Unlabled Example(PU_learning)算法進(jìn)行了研究和改進(jìn),并設(shè)計(jì)實(shí)現(xiàn)了一套基于行為相似性的網(wǎng)絡(luò)用戶識別系統(tǒng)。本文所做的工作及取得的成果如下:(1)在充分調(diào)研網(wǎng)絡(luò)用戶識別、機(jī)器學(xué)習(xí)等相關(guān)算法和技術(shù)的基礎(chǔ)上,理清現(xiàn)有方法與技術(shù)的不足,重點(diǎn)研究了半監(jiān)督學(xué)習(xí)領(lǐng)域的應(yīng)用。(2)改進(jìn)了 PU_learning算法。從時(shí)間和空間的角度出發(fā)設(shè)計(jì)用戶行為特征,將傳統(tǒng)的PU_learning算法與GBDT(梯度提升決策樹)結(jié)合,以迭代訓(xùn)練的方式逐步提高模型精度,用于識別跨平臺的網(wǎng)絡(luò)用戶。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后PU_learning算法的準(zhǔn)確率、召回率分別有1%、3%的提升。(3)設(shè)計(jì)實(shí)現(xiàn)了基于行為相似性的網(wǎng)絡(luò)用戶識別系統(tǒng)。從原始流量捕獲出發(fā),設(shè)計(jì)實(shí)現(xiàn)了流量捕獲、用戶信息匹配、模型訓(xùn)練與預(yù)測模塊,重點(diǎn)解決了用戶信息匹配模塊中的HTTP流還原問題和模型訓(xùn)練與預(yù)測模塊中ETL特征提取和模型訓(xùn)練精度提升問題。在大數(shù)據(jù)背景下,引入了 Hadoop和Hive作為數(shù)據(jù)的處理平臺與工具,保證了系統(tǒng)高效穩(wěn)定的運(yùn)行。(4)對系統(tǒng)各功能模塊進(jìn)行測試。結(jié)果表明,基于行為相似性的網(wǎng)絡(luò)用戶識別系統(tǒng)功能穩(wěn)定,識別結(jié)果準(zhǔn)確。用戶信息匹配過程中流量解析速率達(dá)到1.6Mbit/s左右,ETL能在一小時(shí)內(nèi)處理兩個(gè)千萬數(shù)據(jù)級別的網(wǎng)絡(luò)平臺特征數(shù)據(jù)提取。本文對基于行為相似性的網(wǎng)絡(luò)用戶識別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)過程中存在的問題進(jìn)行了總結(jié)分析,提出了改進(jìn)思路與方法,對后續(xù)工作提出了展望。
【學(xué)位單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP393.0
【部分圖文】：

基于行為相似性的網(wǎng)絡(luò)用戶識別系統(tǒng)算法設(shè)計(jì)，所占比例太大，樣本比例嚴(yán)重不均衡，這兩個(gè)方面成嚴(yán)重的影響。因此，若采用傳統(tǒng)的ＰＵＪｅａｍｉｎｇ算樣本，一方面本身正樣本數(shù)量遠(yuǎn)小于無標(biāo)簽樣本，會引入更多噪聲；另一方面樸素貝葉斯算法在小規(guī)模網(wǎng)絡(luò)用戶識別所面臨的海量數(shù)據(jù)，會存在較大偏差。逡逑用于分類的本質(zhì)，可以理解為就是在空間中構(gòu)造一以將越多的正負(fù)樣本分離開，就認(rèn)為這個(gè)分類器的ｙ邋．逡逑

圖３－５實(shí)驗(yàn)數(shù)據(jù)格式逡逑特征值之間以ｔａｂ隔開，不同樣本換行。數(shù)據(jù)格式適應(yīng)于Ｐｙｔｈｏｎ相關(guān)機(jī)器函數(shù)庫對數(shù)據(jù)文件的讀取支持。逡逑．２實(shí)驗(yàn)過程與結(jié)果逡逑在訓(xùn)練數(shù)據(jù)進(jìn)入模型之前，需要對其做一些處理以保障結(jié)果準(zhǔn)確性。主要個(gè)方面的處理。逡逑（１）在無標(biāo)簽樣本的提取過程中，由于之前的處理過程，包括流量的采集，逡逑ＴＰ流重組，正則匹配寫入Ｈｉｖｅ表，存在按照ＩＰ分組或者構(gòu)建鏈表等相關(guān)，所以樣本數(shù)據(jù)在Ｈｉｖｅ表中按照ＩＰ存在一定順序進(jìn)行排列。為保證訓(xùn)練樣于ＩＰ分布均勻，分布區(qū)域更加廣泛合理，在提取無標(biāo)簽樣本參與訓(xùn)練的過，采用隨機(jī)抽取的思想，利用ｓｈｕｆｆｌｅ函數(shù)過程從全排列中得到隨機(jī)數(shù)組，數(shù)組下標(biāo)從無標(biāo)簽樣本中提取相應(yīng)下標(biāo)的數(shù)據(jù)，盡量保證數(shù)據(jù)分布均勻，具表性。逡逑（２）訓(xùn)練樣本數(shù)不均衡，正樣本較少而無標(biāo)簽樣本數(shù)目很大。需要確定訓(xùn)練過程中合適的正樣本和無標(biāo)簽樣本的比例。一般而言，機(jī)器學(xué)習(xí)的正負(fù)

圖３－７正樣本各項(xiàng)指標(biāo)逡逑因此，實(shí)驗(yàn)中以１：３的比例提取訓(xùn)練樣本。首先，所有未標(biāo)記的樣本被視本，并使用ＧＢＤＴ直接進(jìn)行訓(xùn)練。正負(fù)樣本的準(zhǔn)確率和召回率如表３－１邐表３－１邋ＧＢＤＴ運(yùn)行指標(biāo)結(jié)果邐逡逑一類別邋準(zhǔn)確率｜召回率｜邋Ｆ１指數(shù)逡逑０邐０．９３邐０．９７邐０．９５逡逑邐１邐０．８９邐０．７８邐０．８３逡逑ＧＢＤＴ每一棵子樹雖然都為回歸樹，但設(shè)定閾值對回歸值進(jìn)行劃分就可以樹改為分類樹，默認(rèn)閾值為０．５。第一步ＧＢＤＴ模型為分類模型，得到有分類結(jié)果，即１或0，邋１代表判定為正，0代表判定為負(fù)。準(zhǔn)確率召回標(biāo)的統(tǒng)計(jì)也是基于將所有無標(biāo)簽樣本視為負(fù)樣本的基礎(chǔ)，這里的0，實(shí)際的是無標(biāo)簽樣本。由于實(shí)驗(yàn)的目的是獲取屬于同一用戶的帳戶對，因此此準(zhǔn)確率和召回率實(shí)際意義其實(shí)只是一定程度上幫助衡量分類器的好壞。正２５逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐湛;;臺區(qū)用戶識別儀應(yīng)用分析[J];計(jì)量與測試技術(shù);2009年11期

2 ;用戶識別卡里有什么[J];監(jiān)督與選擇;1998年12期

3 蔡秋蕓;;脈沖載波技術(shù)在臺區(qū)用戶識別中的應(yīng)用[J];科技創(chuàng)新導(dǎo)報(bào);2010年24期

4 梁萬榮;;載波技術(shù)在臺區(qū)用戶識別中的應(yīng)用[J];農(nóng)村電氣化;2007年03期

5 梁萬榮;;載波技術(shù)在臺區(qū)用戶識別中的應(yīng)用[J];江西電力職業(yè)技術(shù)學(xué)院學(xué)報(bào);2007年02期

6 朱皖寧;劉志昊;;基于量子計(jì)算的用戶識別算法[J];電子學(xué)報(bào);2018年01期

7 范荻;李紹山;李海濤;王衛(wèi);;臺區(qū)用戶識別儀關(guān)鍵技術(shù)應(yīng)用研究[J];華北電力技術(shù);2010年07期

8 原欣偉;楊少華;王超超;杜占河;;基于用戶特征抽取和隨機(jī)森林分類的用戶創(chuàng)新社區(qū)領(lǐng)先用戶識別研究[J];數(shù)據(jù)分析與知識發(fā)現(xiàn);2017年11期

9 李楠;;基于改進(jìn)PROMETHEE的領(lǐng)先用戶識別方法[J];數(shù)學(xué)的實(shí)踐與認(rèn)識;2014年10期

10 艾達(dá);羅愛平;;移動通信重入網(wǎng)用戶識別算法分析研究[J];西安郵電學(xué)院學(xué)報(bào);2012年03期

相關(guān)會議論文 前3條

1 童建剛;;計(jì)算機(jī)用戶識別技術(shù)[A];第三次全國計(jì)算機(jī)安全技術(shù)交流會論文集[C];1988年

2 呂華輝;吳丹;;基于社交關(guān)系和語義特征的異常微博用戶識別[A];2015電力行業(yè)信息化年會論文集[C];2015年

3 孫偉;周燦;徐春虎;房晨婕;張超;李占先;嚴(yán)純?nèi)A;;構(gòu)筑具有用戶識別能力的分子計(jì)算平臺[A];中國化學(xué)會第26屆學(xué)術(shù)年會無機(jī)與配位化學(xué)分會場論文集[C];2008年

相關(guān)重要報(bào)紙文章 前6條

1 康梁;幫用戶識別耗材真?zhèn)蝃N];中華工商時(shí)報(bào);2000年

2 本報(bào)記者 劉可;大數(shù)據(jù)如何支撐汽車產(chǎn)業(yè)未來[N];中華工商時(shí)報(bào);2015年

3 趙慧玲 吳江;VPN放心用[N];中國計(jì)算機(jī)報(bào);2001年

4 本報(bào)記者 張海燕;汽車大數(shù)據(jù)時(shí)代悄然來臨[N];中國質(zhì)量報(bào);2015年

5 夏馬江 整理;張小萍委員：建立和完善閩東政務(wù)官方微博[N];閩東日報(bào);2016年

6 斯倫貝謝技術(shù)（亞洲）有限公司 楊凱莉;SIM卡與WAP應(yīng)用的配合——WIM卡[N];中國電子報(bào);2000年

相關(guān)博士學(xué)位論文 前3條

1 李楠;軟件產(chǎn)品創(chuàng)新中的領(lǐng)先用戶識別研究[D];東北財(cái)經(jīng)大學(xué);2012年

2 劉士喜;社會網(wǎng)絡(luò)環(huán)境下基于信任關(guān)系的影響用戶識別方法研究[D];合肥工業(yè)大學(xué);2016年

3 楊波;大規(guī)模定制產(chǎn)品開發(fā)中的領(lǐng)先用戶識別與參與行為研究[D];重慶大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 曾思源;基于行為相似性的網(wǎng)絡(luò)用戶識別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2018年

2 李自豪;微博惡意用戶識別方法的研究[D];北京交通大學(xué);2017年

3 楊少華;在線創(chuàng)新社區(qū)領(lǐng)先用戶識別研究[D];西安理工大學(xué);2017年

4 陳曉萍;一種新的基于用戶識別的圖形口令機(jī)制的設(shè)計(jì)與實(shí)現(xiàn)[D];西安電子科技大學(xué);2009年

5 趙建勛;微博惡意用戶識別[D];北京交通大學(xué);2016年

6 李桐;消費(fèi)類軟件產(chǎn)品的領(lǐng)先用戶識別研究[D];東北財(cái)經(jīng)大學(xué);2013年

7 何榮華;智能云電視的用戶識別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];大連理工大學(xué);2014年

8 潘培龍;面向高速流量環(huán)境的網(wǎng)絡(luò)用戶識別技術(shù)研究[D];東南大學(xué);2017年

9 李福明;基于海量信令數(shù)據(jù)的服務(wù)業(yè)線上活躍用戶識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2015年

10 田中生;基于影響力的社會網(wǎng)絡(luò)關(guān)鍵用戶識別方法研究[D];吉林大學(xué);2015年

本文編號：2830242