面向网络状态的自适应用户行为评估方法

doi:10.3969/j.issn.1000-436x.2013.07.008

通信学报 ›› 2013, Vol. 34 ›› Issue (7): 71-80.doi: 10.3969/j.issn.1000-436x.2013.07.008

面向网络状态的自适应用户行为评估方法

陆悠^1,²,罗军舟¹,李伟¹,于枫¹,夏怒¹

¹ 东南大学计算机科学与工程学院，江苏南京 210096;
² 苏州科技学院电子与信息工程学院，江苏苏州 215000

出版日期:2013-07-25 发布日期:2017-06-24
基金资助:
国家重点基础研究发展计划(“973”计划)基金资助项目;国家自然科学基金资助项目;国家自然科学基金资助项目;国家自然科学基金资助项目;国家自然科学基金资助项目;国家高技术研究发展计划（“863”计划）基金资助项目;高等学校博士点学科专项科研基金资助项目;江苏省网络与信息安全重点实验室基金资助项目;教育部计算机网络与信息集成重点实验室基金资助项目

Adaptive user behavior's evaluation method based on network status

You LU^1,²,Jun-zhou LUO¹,Wei LI¹,Feng YU¹,Nu XIA¹

¹ School of Computer Science and Engineering, Southeast University, Nanjing 210096, China
² School of Electronical and Information Engineering, Suzhou University of Scince and Technology, Suzhou 215000, China

Online:2013-07-25 Published:2017-06-24
Supported by:
The National Basic Research Program of China (973 Program);The National Natural Science Foundation of China;The National Natural Science Foundation of China;The National Natural Science Foundation of China;The National Natural Science Foundation of China;The National High Technology Research and Development Pro-gram of China (863 Program);China Specialized Research Fund for the Doctoral Program of Higher Education;Jiangsu Provincial Key Laboratory of Network and Information Security;Key Laboratory of Computer Network and Information Integration of Ministry of Education of China

摘要/Abstract

摘要：

用户复杂的行为往往会导致网络状态出现波动，破坏网络平稳运行，由于指标及权重的主观性和静态性，传统评估方法难以准确衡量用户行为对网络状态变化的影响程度。因此引入粗糙集理论，构建一种面向网络状态的自适应用户行为评估方法，使用属性约简和属性重要度方法对用户行为和网络状态数据进行挖掘，分析用户行为与网络状态变化的关联程度，以此自适应构建评估指标及权重，并随用户行为变化而动态调整，从而准确地量化用户行为对网络状态变化的影响程度。实验结果表明，该评估方法有助于准确发现造成网络状态变化的用户及其行为，能够为加强对用户行为的管控提供有效支持。

关键词: 用户行为评估, 网络状态, 影响力, 粗糙集

Abstract:

Abstract:With the development of network, user's complex and dynamic behaviors often lead to unexpected fluctuations of network status,and these fluctuations take great challenge to the stability of network. It is difficult to evaluate user be-havior's affection on network status fluctuations for traditional methods because of their subjectivity and static drawbacks. An evaluation method was proposed, which analyses the correlation between the user's behavior and network status fluc-tuations based on actual data of behavior and network status,by means of rough set attribute reduction and attribute im-portance. This method can construct and dynamically adjust the evaluation indexes and their weight adaptive the actual data. The evaluation results show this method can help to detect and manage users who affect the stability of net-work, and provide effective support to control users and their beha ior.

Key words: user behavior evaluation, network status, behavior effection, rough set

陆悠,罗军舟,李伟,于枫,夏怒. 面向网络状态的自适应用户行为评估方法[J]. 通信学报, 2013, 34(7): 71-80.

You LU,Jun-zhou LUO,Wei LI,Feng YU,Nu XIA. Adaptive user behavior's evaluation method based on network status[J]. Journal on Communications, 2013, 34(7): 71-80.

图/表 13

图1

表1

图2

图3

表2

表3

表4

表5

表6

表7

图4

图5

图6

参考文献 18

[1]	罗军舟, 韩志耕, 王良民 . 一种可信可控的网络体系及协议结构[J]. 计算机学报， 2009,3(3):391-404.
[2]	林闯, 雷蕾 . 下一代互连网络体系结构研究[J]．计算机学报, 2007,30(5):693-711.
[3]	FUNG C , ZHANG J , AIB I , et al . Trust management and admission control for host-based collaborative intrusion detection[J]. Journal of Network and Systems Management, 2011,19(2):257-277.
[4]	TAJEDDINE A , KAYSSI A , CHEHAB A , et al . Fuzzy reputation-based trust model[J]. Applied Soft Computing, 2011,11(1):345-355.
[5]	GOVINDAN K . Trust computations and trust dynamics in mobile ad hoc networks: a survey[J]. Communications Surveys ＆ Tu ials, 2011,14(2):279-298.
[6]	RAYA M , PAPADIMITRATOS P , GLIGOR V D , et al . On data-centric trust establishment in ephemeral ad hoc networks[A]. INFOCOM. 2008. 13-18.
[7]	XI Z Y , CHEN H , WANG X Z , et al . Evaluation model for computer network information security based on analytic hierarchy process[A]. Intelligent Information Technology Application[C]. 2009.
[8]	CAO Y , ZHANG L , WU H . An evaluation system for network attack effect based on fuzzy[A]. E-Business and Information System Security[C]. 2009.
[9]	JIN F , LIU P , ZHANG X , et al . The evaluation study of knowledge management performance based on grey-ahp method[A]. Software Engineering, Artificial Intelligence, Networking, and allel/Distributed Computing. 2007.
[10]	张义荣, 鲜明, 王国玉 . 一种基于网络熵的计算机网络攻击效果定量评估方法[J]．通信学报, 2004,25(11):158-165.
[11]	WANG X , HE H , ZHANG H L , et al . Dynamic damage evaluation ofnetwork availability adjusted by index correlation[A]. Internet Computing for Science and Engineering (ICICSE)[C]. 2009.
[12]	李小勇, 桂小林, 毛倩等 . 基于行为监控的自适应动态信任度测模型[J]．计算机学报, 2009,32(4):664-674.
[13]	梁吉业, 李德玉 . 信息系统中的不确定性与知识获取[M] ．北京: 科学出版社， 2005.
[14]	龚正虎，卓莹．网络态势感知研究[J]．软件学报， 2010,21(7):1605-1619.
[15]	江勇, 林闯, 吴建平 . 网络传输控制的综合性能评价标准[J]．计算机学报， 2002,25(8):869-877.
[16]	MOORE A W , ZUEV D . Discriminators for Use in Flow-Based Classification[R]. Technical Report IRC-TR-04-028, 2004.
[17]	LIN Z , FENG J . A rough set approach to feature selection based on relative decision entropy[J]. Lecture Notes in Computer Science, 2011,6954(11):110-119.
[18]	KIM H , CLAFFY K , FOMENKOV M , et al . Internet traffic classification demystified: myths, caveats, and the best practices[A]. Proc of ACM CoNEXT'08[C]. New York, USA, 2008. 1-12.

时间序列		用户行为			网络状态
时间序列	C₁	C₂	?	C_n	D
x₁	b'11	b'12	?	b'1n	1
?	?	?	?	?	1
x't	b''1t	b''2t	?	b''tn	2
?	?	?	?	?	2
?	?	?	?	?	?
?	?	?	?	?	5
x_m	b'm1	b'm2	?	b'mn	5

序号	时间段	机房1学生行为	机房2学生行为
1	1:0 30~11:30	普通访问	10人突发访问文件服务器，其余普通访问
2	11:30~:12 30	3人使用 P2P，其余普通访问	15人突发访问文件服务器，其余普通访问
3	12: 30~13: 30	使用P2P增至8人，其余普通访问	16人LDDoS攻击，其余普通访问
4	13: 30~:14 30	使用P2P增至15人，其余普通访问	12人使用P2P，其余普通访问

特征类别	特征项
报文特征	平均报文长度、报文间隔时间、数据发送分组率、最大报文长度、最小报文长度
流特征	源端口数、目的端口数、流数、平均流长度、最大流长度、最小流长度
应用层特征	上传流量、下载流量、上传流量、下载流量、上传流量、下载流量TCP TCP UDP UDP

时间段	评估指标	权重
1	TCP下载流量报文间隔时间	0.630.37
	TCP下载流量	0.45
2	报文间隔时间	0.28
	UDP下载流量	0.27
3	平均报文长度	0.2
	数据分组发送率	0.32
	UDP上传流量	0.18
	UDP下载流量	0.3
4	目的端口数	0.26
	UDP上传流量	0.28
	UDP下载流量	0.46

时间段	评估方法	用户类型		分析指标
时间段	评估方法	用户类型	均值	中位数	标准差
		普通用户	0.12	0.10	0.12
	本文方法	目标用户	0.79	0.90	0.29
1		全体用户	0.28	0.12	0.34
1		普通用户	0.50	0.51	0.07
	对照方法	目标用户	0.54	0.57	0.09
		全体用户	0.51	0.51	0.08
		普通用户	0.29	0.26	0.19
	本文方法	目标用户	0.66	0.77	0.25
2		全体用户	0.45	0.28	0.28
2		普通用户	0.51	0.51	0.09
	对照方法	目标用户	0.53	0.54	0.07
		全体用户	0.52	0.52	0.08
		普通用户	0.24	0.25	0.06
	本文方法	目标用户	0.49	0.50	0.11
3		全体用户	0.39	0.46	0.15
3		普通用户	0.47	0.49	0.07
	对照方法	目标用户	0.54	0.56	0.09
		全体用户	0.49	0.49	0.08
		普通用户	0.32	0.22	0.25
	本文方法	目标用户	0.64	0.73	0.19
4		全体用户	0.54	0.66	0.26
4		普通用户	0.45	0.44	0.06
	对照方法	目标用户	0.50	0.49	0.04
		全体用户	0.46	0.46	0.06

面向网络状态的自适应用户行为评估方法

Adaptive user behavior's evaluation method based on network status

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 18

相关文章 15

Metrics

推荐阅读 0

时间段	目标用户/人	识别结果/人	正确被识别/人	误被识别/人
1	10	10	9	1
2	18	16	14	2
3	24	23	22	1
4	27	28	25	3

时间段	准确率/%	漏报率/%	误报率/%
1	90.0	10.0	3.3
2	87.5	6.7	8.0
3	95.7	8.3	6.3
4	89.3	7.4	23.1

[1]	邹晓红, 许成伟, 陈晶, 宋彪, 王明月. 大规模时序图中种子节点挖掘算法研究[J]. 通信学报, 2022, 43(9): 157-168.
[2]	王璿, 张瑜, 周军锋, 陈子阳. 基于社交网络的影响力最大化算法[J]. 通信学报, 2022, 43(8): 151-163.
[3]	顾秋阳, 吴宝, 孙兆洋, 池仁勇. 基于改进灰狼优化的复杂网络重要节点识别算法[J]. 通信学报, 2021, 42(6): 72-83.
[4]	任永功,张云鹏,张志鹏. 基于粗糙集规则提取的协同过滤推荐算法[J]. 通信学报, 2020, 41(1): 76-83.
[5]	全拥,贾焰,张良,朱争,周斌,方滨兴. 在线社交网络个体影响力算法测试与性能评估[J]. 通信学报, 2018, 39(10): 1-10.
[6]	蔡岳平,刘军. 内容中心网络状态感知路由设计[J]. 通信学报, 2016, 37(6): 38-48.
[7]	魏晶晶,陈畅,廖祥文,陈国龙,程学旗. 基于受限非负张量分解的用户社会影响力分析[J]. 通信学报, 2016, 37(6): 154-162.
[8]	陈云芳,夏涛,张伟,李晋. 基于亲和传播的动态社会网络影响力扩散模型[J]. 通信学报, 2016, 37(10): 40-47.
[9]	王楠,孙钦东,周亚东,王汉秦,隋连升. 基于区域交互模型的SNS网络用户影响力评估[J]. 通信学报, 2016, 37(1): 160-169.
[10]	张玲,白中英,罗守山,谢康,崔冠宁,孙茂华. 基于粗糙集和人工免疫的集成入侵检测模型[J]. 通信学报, 2013, 34(9): 166-176.
[11]	陆悠1,2，罗军舟1，李伟1，于枫1，夏怒1. 面向网络状态的自适应用户行为评估方法[J]. 通信学报, 2013, 34(7): 8-80.
[12]	刘玮,王丽宏,李锐光. 面向话题的微博网络测量研究[J]. 通信学报, 2013, 34(11): 171-178.
[13]	刘玮1,2,3，王丽宏3，李锐光3. 面向话题的微博网络测量研究[J]. 通信学报, 2013, 34(11): 19-178.
[14]	于洪,杨显. 微博中节点影响力度量与传播路径模式研究[J]. 通信学报, 2012, 33(Z1): 96-102.
[15]	李雄飞,孙涛,郭建芳. 基于标签树的粗糙集模型LTRS[J]. 通信学报, 2010, 31(6): 35-43.