基于动态时间跨度与聚类差异指数的用户行为异常检测算法
信息技术与网络安全 4期
詹 麟1，曾献辉1，2，代凯旋1
(1.东华大学 信息科学与技术学院，上海201620；2.数字化纺织服装技术教育部工程研究中心，上海201620)
摘要： 在保证实时性与模型的适应性的条件下对居家人士的行为进行分析，提出了一种基于动态时间跨度与聚类差异性指数的用户行为异常实时检测算法。该算法利用动态时间跨度与聚类差异性指数对实时数据流进行概念漂移检测，在数据流发生概念漂移的情况下，利用局部离群因子（LOF）来检测用户发生行为异常的时间点。通过动态时间跨度对分类模型不断更新，有效提升了模型的适用性。通过实验验证了该算法能够在保证实时性的情况下正确检测出概念漂移，并给出用户行为发生异常的时间点。该研究成果为实现智能家居环境下用户行为异常检测提供了新思路，可为居家人士提供有效服务和安全保证。
中图分类号： TP301.6
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2022.04.014
引用格式： 詹麟，曾献辉，代凯旋. 基于动态时间跨度与聚类差异指数的用户行为异常检测算法[J].信息技术与网络安全，2022，41(4)：90-96.
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2022.04.014
引用格式： 詹麟，曾献辉，代凯旋. 基于动态时间跨度与聚类差异指数的用户行为异常检测算法[J].信息技术与网络安全，2022，41(4)：90-96.
Abnormal user behavior detection algorithm based on dynamic time span and cluster difference index
Zhan Lin1，Zeng Xianhui1，2，Dai Kaixuan1
1.College of Information Science and Technology，Donghua University，Shanghai 201620，China； 2.Engineering Research Center of Digitized Textile &Apparel Technology，Ministry of Education，Shanghai 201620，China)
Abstract： In order to analyze the behavior of residents under the condition of ensuring real-time performance and adaptability of the model, this paper proposes a real-time detection algorithm for abnormal user behavior based on dynamic time span and clustering difference index. The algorithm uses dynamic time span and cluster difference index to detect concept drift in real-time data streams, and uses local outlier factor(LOF) to detect the time points when users have abnormal behaviors when concept drift occurs in data streams. The classification model is continuously updated through the dynamic time span, which effectively improves the applicability of the model. Experimental results show that the algorithm can correctly detect concept drift while ensuring real-time performance, and give the time point when user behavior is abnormal. The research results of this paper provide new ideas for the realization of abnormal user behavior detection in the smart home environment, and can provide effective services and security guarantees for home people.
Key words : smart home；clustering algorithm；clustering difference index；LOF index
0 引言
物联网的迅速发展使其成为了信息化社会的重要一环，其中通过智能家居可以将用户使用的各种设备联系到一起，通过各种连接技术如WiFi[1]、ZigBee[2]、蓝牙[3]将原先机械式、单一化的设备变得具有可控性[4-5]和智能化[6-7]，将生活质量提高了一个台阶[8-9]。
通过对智能家居环境下采集的数据进行计算和分析，文献[10]提出了一种从家庭智能电表数据中提取用户行为模式的统一框架，通过集成的频繁模式增长算法和各种机器学习算法的分类来检测用户的异常模式。文献[11]通过隐马尔科夫模型对智能家居环境下的用户行为进行预测。文献[12]提出了一种基于用户行为模式的智能家居控制策略，通过对用电量的挖掘与分析，在此基础上设计对应的智能家居系统控制策略。文献[13]采用关联规则发掘算法对智能家居下的用户行为进行预测，优化了智能家居系统的控制策略。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004105
作者信息：
詹 麟1，曾献辉1，2，代凯旋1
(1.东华大学 信息科学与技术学院，上海201620；2.数字化纺织服装技术教育部工程研究中心，上海201620)
此内容为AET网站原创，未经授权禁止转载。