基于動態時間跨度與聚類差異指數的用戶行為異常檢測算法
信息技術與網絡安全 4期
詹 麟1，曾獻輝1，2，代凱旋1
(1.東華大學 信息科學與技術學院，上海201620；2.數字化紡織服裝技術教育部工程研究中心，上海201620)
摘要： 在保證實時性與模型的適應性的條件下對居家人士的行為進行分析，提出了一種基于動態時間跨度與聚類差異性指數的用戶行為異常實時檢測算法。該算法利用動態時間跨度與聚類差異性指數對實時數據流進行概念漂移檢測，在數據流發生概念漂移的情況下，利用局部離群因子（LOF）來檢測用戶發生行為異常的時間點。通過動態時間跨度對分類模型不斷更新，有效提升了模型的適用性。通過實驗驗證了該算法能夠在保證實時性的情況下正確檢測出概念漂移，并給出用戶行為發生異常的時間點。該研究成果為實現智能家居環境下用戶行為異常檢測提供了新思路，可為居家人士提供有效服務和安全保證。
中圖分類號： TP301.6
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2022.04.014
引用格式： 詹麟，曾獻輝，代凱旋. 基于動態時間跨度與聚類差異指數的用戶行為異常檢測算法[J].信息技術與網絡安全，2022，41(4)：90-96.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2022.04.014
引用格式： 詹麟，曾獻輝，代凱旋. 基于動態時間跨度與聚類差異指數的用戶行為異常檢測算法[J].信息技術與網絡安全，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
物聯網的迅速發展使其成為了信息化社會的重要一環，其中通過智能家居可以將用戶使用的各種設備聯系到一起，通過各種連接技術如WiFi[1]、ZigBee[2]、藍牙[3]將原先機械式、單一化的設備變得具有可控性[4-5]和智能化[6-7]，將生活質量提高了一個臺階[8-9]。
通過對智能家居環境下采集的數據進行計算和分析，文獻[10]提出了一種從家庭智能電表數據中提取用戶行為模式的統一框架，通過集成的頻繁模式增長算法和各種機器學習算法的分類來檢測用戶的異常模式。文獻[11]通過隱馬爾科夫模型對智能家居環境下的用戶行為進行預測。文獻[12]提出了一種基于用戶行為模式的智能家居控制策略，通過對用電量的挖掘與分析，在此基礎上設計對應的智能家居系統控制策略。文獻[13]采用關聯規則發掘算法對智能家居下的用戶行為進行預測，優化了智能家居系統的控制策略。
本文詳細內容請下載：http://www.cowatch.cn/resource/share/2000004105
作者信息：
詹 麟1，曾獻輝1，2，代凱旋1
(1.東華大學 信息科學與技術學院，上海201620；2.數字化紡織服裝技術教育部工程研究中心，上海201620)
此內容為AET網站原創，未經授權禁止轉載。