[发明专利]基于机器学习算法的用户网络异常行为发现方法及系统

摘要

本发明涉及一种基于机器学习算法的用户网络异常行为发现方法及系统，方法为采集网络流量数据进行深度包解析、清洗、集成、变换和规约，采用机器学习算法计算多个历史特征向量以构建用户行为模式矩阵，采用熵权法计算用户各历史特征向量的权重，采用朴素贝叶斯算法计算多个实时特征向量，进行加权计算以得到用户网络访问行为信任度评分，并采用熵权法更新权重，跟踪用户网络访问行为信任度评分变化，以判定用户是否存在异常行为。系统包括采集解析层、数据加工层、模型分析层和结果展示层，采集解析层具有数据采集模块、解析模块和匹配模块，数据加工层具有数据类型转换模块、去噪模块、数据清洗模块和数据标准化模块，模型分析层具有大数据分析引擎，结果展示层具有判断模块和显示模块。

主权项

1.基于机器学习算法的用户网络异常行为发现方法，其特征在于：其包括以下步骤：1）采集网络流量数据，对所得到的网络流量数据进行深度包解析，获得用户网络访问行为数据；2）对用户网络访问行为数据进行清洗、集成、变换和规约，得到历史预处理数据和实时预处理数据；3）对历史预处理数据采用机器学习算法进行计算，得到与用户历史网络访问行为特征相对应的多个历史特征向量，并根据多个历史特征向量构建用户行为模式矩阵；4）采用熵权法对用户行为模式矩阵进行计算，得到用户各历史特征向量的权重；5）对实时预处理数据采用朴素贝叶斯算法进行计算，得到与用户当前网络访问行为特征相对应的多个实时特征向量；6）将多个实时特征向量与用户各历史特征向量的权重进行加权计算，得到用户网络访问行为信任度评分，并采用熵权法对多个实时特征向量进行计算，以更新用户各历史特征向量的权重；7）重复步骤5）和步骤6）多次，以跟踪用户网络访问行为信任度评分变化，判断用户网络访问行为信任度评分是否多次降低，若是，则判定用户存在异常行为。