Web用户异常行为检测的优化研究

王青松，李 菲

(辽宁大学 信息学院，辽宁 沈阳 110036)

0 引言

数据分析伴随着大数据时代的发展，Web用户的异常行为检测技术[1-3]是当前研究热点.近几年，面对大规模用户每天都会访问Web网页所产生的数据处理的需求，数据分析技术得以蓬勃发展.从大量数据中找到其背后隐藏的规律和模式，对异常数据的实时检测具有重要的实际应用意义[4].统计数据预测采用分布式处理、并行处理和网格计算等方法，结合相关的数据特征挖掘和聚类，实现数据预测[5].

早期人们通常采用端口扫描、报文特征字段匹配等方法对异常行为进行深入分析以获取特征，从而实现Web用户异常行为的检测[6].而人工智能技术的发展，机器学习技术更多地被用于从网络数据中自动计算异常行为模式、提取其特征，从而自动产生检测规则，大大降低了开发代价，而机器学习主要分为无监督学习和有监督学习.

传统的无监督机器学习算法处理的是无标记或者数据趋势模糊的情况下，这类算法不仅开销大而且训练出来的模型可读性差，准确度较低，复杂度高且不适合时间序列数据，对Web用户异常行为的检测准确率较低，例如期望最大化算法(Exceptation Maximization)等.

基于有监督的机器学习算法通过利用带标签的训练数据构建模型，来对未知数据进行预测，该类方法在模型可读性、鲁棒性等方面优于无监督学习的检测方法，但易出现过拟合或欠拟合，泛化能力较差的问题.而且对训练……