[發明專利]一種網絡行為的預測方法

有效

• 申請號: 201710854916.7
• 申請日: 2017-09-20
• 公開（公告）號: CN107426040B
• 公開（公告）日: 2019-08-30
• 發明（設計）人: 胡漢平;潘俊杉;谷偉;李元齊;劉翔
• 申請（專利權）人: 華中科技大學;深圳華中科技大學研究院
• 主分類號: H04L12/24
• 分類號: H04L12/24
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 廖盈春;李智

技術領域

本發明屬于網絡行為分析技術領域，更具體地，涉及一種網絡行為的預測方法。

背景技術

隨著互聯網技術的發展與普及，越來越多的人通過互聯網進行傳統事務的辦理，特別是“互聯網+”的持續深入與推進，加速了互聯網與社會生活的融合，使得人類的行為模式產生了巨大的變化。然而，隨著人們參與互聯網的深度增長，隨之而來的網絡安全形勢卻愈發嚴峻。深入研究網絡行為的普遍規律，掌握網絡行為背后的動力學機制，能為網絡異常行為檢測提供理論依據，進而對維護保障網絡安全產生重要作用。

現有對網絡行為的建模，是從網絡行為的時間間隔層面出發。大量研究表明，網絡行為的時間間隔具有偏離Poisson的異質特性，表現為行為的時間間隔序列服從冪律分布。針對網絡行為的這一特性，基于任務優先級的排隊模型被提出，此類模型將行為看成一個個的任務，試圖按任務的優先級以排隊的形式對行為進行描述，重現行為的異質性。然而很多網絡行為如網頁瀏覽、網絡游戲等屬于興趣驅動類型，基于任務優先級的排隊模型顯然無法有效的刻畫。

隨著網絡行為中的記憶特性被不斷驗證，不同于任務排隊模型類別的記憶效應模型紛紛被提出，此類模型從行為的記憶特性出發，認為人們會根據歷史行為頻率的高低來改變當前行為發生的概率。此外，與之類似的基于興趣的模型也被提出，這類模型認為興趣的變化會影響行為的發生。模型假設人的興趣隨時間不斷變化，行為的頻率依賴于興趣的變化，同時也反向影響興趣。然而即便是最感興趣的事情也會受到人的生理節律以及外界環境等因素的影響。只考慮興趣的模型無法有效刻畫表現出周期波動性的網絡行為。一種周期性級聯過程模型被提出，該模型考慮到電子郵件行為受晝夜交替的影響從而表現出周期波動特性，用級聯的泊松過程刻畫行為，試圖解釋行為異質特性的本源。但是，也有不少的實證研究顯示，當從網絡行為數據中剔除掉來自周期節律的影響后，行為的異質性依然存在。這也就說明，試圖把行為的異質性僅歸結于人自身生理節律是有缺陷的。

更重要的是，網絡行為的時間間隔是否服從冪律分布存在很多爭議。越來越多的實證研究發現，對數正態分布、Weibull分布、Gamma分布，甚至分段分布能更好的描述網絡行為。因此，亟需從時間間隔以外的角度對網絡行為潛在的動力學機制以及建模方法進行研究。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種網絡行為的預測方法，由此解決現有從網絡行為的時間間隔層面出發的網絡行為的分析方式存在的對網絡行為描述不準確的技術問題。

為實現上述目的，本發明提供了一種網絡行為的預測方法，包括：

(1)對采集的網絡行為數據進行預處理，得到以單位時間內行為的頻次為波動數據的目標網絡行為數據；

(2)由目標網絡行為數據的均值和標準差對目標網絡行為數據進行規范化，并對規范化后的數據按周進行折疊處理得到M*N的折疊矩陣，對折疊矩陣中的突跳進行檢測，其中，M表示一周內的單位時間的數量，N表示采集的數據總周數；

(3)根據目標網絡行為數據中表現出的周期規律性、隨機波動性以及突跳特性，建立網絡行為的時變隨機微分方程模型，并對模型中的時變參數和定參數進行估計得到目標模型；

(4)由目標模型對用戶的下一周的網絡行為軌跡進行預測。

優選地，步驟(2)具體包括：

(2.1)由對第j周數據Y_ij,i∈[1,M],j∈[1,N]進行規范化，其中μ_j表示第j周數據序列的均值，σ_j表示j周數據序列的標準差；

(2.2)若全年一共采集了N周數據序列，則長度為N*M，則對采集的每周數據進行規范化后得到規范化后的數據序列X_t,t∈[1,M×N]，然后按周折疊數據，構造成M*N的折疊矩陣X_ij,i∈[1,M],j∈[1,N]，對l,l∈L_i，若則被認為是突跳，其中，L_i＝{l_j＝X_ij,j∈[1,N]}表示對周內每一時刻i,i∈[1,M]，均存在一條長度為N的時間序列，是時間序列L_i的均值，是時間序列L_i的標準差，ξ為預設值。

優選地，步驟(3)具體包括：

(3.1)根據目標網絡行為數據中表現出的周期規律性、隨機波動性以及突跳特性，建立網絡行為的時變隨機微分方程模型：