本發(fā)明涉及信息安全可信技術(shù)領(lǐng)域，具體涉及一種基于選擇性聚類(lèi)融合的移動(dòng)用戶(hù)異常行為檢測(cè)方法。

背景技術(shù)：

隨著internet的廣泛應(yīng)用，整個(gè)人類(lèi)社會(huì)的生活與工作正在逐漸被計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)及通信技術(shù)所影響和改變著。隨著智能終端的快速普及和移動(dòng)互聯(lián)網(wǎng)的迅猛發(fā)展，許多用戶(hù)將互聯(lián)網(wǎng)入口從pc端轉(zhuǎn)移到了智能手機(jī)等移動(dòng)智能終端，云計(jì)算技術(shù)在移動(dòng)通信行業(yè)的應(yīng)用必然會(huì)開(kāi)創(chuàng)移動(dòng)互聯(lián)網(wǎng)的新時(shí)代。目前移動(dòng)云服務(wù)所涉及的安全性等可信要求大多相對(duì)較低，移動(dòng)云服務(wù)所涉及的各個(gè)要素和環(huán)節(jié)的可信性已成為阻礙移動(dòng)云服務(wù)發(fā)展和廣泛應(yīng)用的重要障礙。本文旨在從用戶(hù)可信方面研究用戶(hù)協(xié)作層的異常行為分析技術(shù)，立足移動(dòng)終端的固有缺陷，向用戶(hù)提供低耗、高效、可靠的滿(mǎn)意服務(wù)。只有當(dāng)用戶(hù)行為是正常合法的，用戶(hù)的請(qǐng)求才會(huì)被智慧映射層接收，進(jìn)行進(jìn)一步的處理。

聚類(lèi)融合技術(shù)是將多個(gè)對(duì)一組對(duì)象進(jìn)行聚類(lèi)劃分的不同結(jié)果進(jìn)行合并的技術(shù)，合并后的結(jié)果比原先單一聚類(lèi)的結(jié)果更加優(yōu)越，穩(wěn)定性和精確性都得到了明顯提升。選擇性聚類(lèi)融合是利用設(shè)計(jì)的選擇策略對(duì)聚類(lèi)成員進(jìn)行篩選，選出優(yōu)質(zhì)的聚類(lèi)成員再進(jìn)行融合，提高了聚類(lèi)結(jié)果的質(zhì)量。

現(xiàn)有的選擇性聚類(lèi)融合算法一般采用差異度計(jì)算公式來(lái)對(duì)聚類(lèi)成員的差異度進(jìn)行衡量，從而選擇優(yōu)質(zhì)的成員。而僅僅依據(jù)差異度來(lái)選擇聚類(lèi)成員容易造成檢測(cè)結(jié)果誤報(bào)率高，所以必須聯(lián)合多方面因素考量，才能取得較好的結(jié)果。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有技術(shù)中來(lái)選擇聚類(lèi)成員容易造成檢測(cè)結(jié)果誤報(bào)率高的問(wèn)題，本發(fā)明提供了一種移動(dòng)用戶(hù)異常行為檢測(cè)方法，其采用滑動(dòng)窗口動(dòng)態(tài)的獲取數(shù)據(jù)，以提高用戶(hù)行為獲取的準(zhǔn)確性，在傳統(tǒng)fc算法的初始聚類(lèi)和增量階段之后引入duun_index概念，對(duì)增量后產(chǎn)生的聚類(lèi)成員進(jìn)行選擇，再將選擇后的優(yōu)質(zhì)成員用投票算法進(jìn)行融合得到最終結(jié)果，再與用戶(hù)的正常行為進(jìn)行相似度對(duì)比時(shí)引入關(guān)聯(lián)矩陣，利用平均差異度的變化來(lái)判斷用戶(hù)行為是否正常，從而達(dá)到異常檢測(cè)高效、準(zhǔn)確的目的。

本發(fā)明為解決上述問(wèn)題所采用的技術(shù)方案是：一種移動(dòng)用戶(hù)異常行為檢測(cè)方法，其技術(shù)方案是：包含以下步驟：

s1.對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，建立正常行為數(shù)據(jù)庫(kù)；

s2.利用滑動(dòng)窗口模型獲取移動(dòng)用戶(hù)窗口范圍內(nèi)的數(shù)據(jù)集x，采用基于分形的聚類(lèi)融合算法得到數(shù)據(jù)集x的聚類(lèi)融合結(jié)果γ；

s3.異常檢測(cè)過(guò)程：

s301.對(duì)s2步驟得到的聚類(lèi)融合結(jié)果γ與s1步驟中的正常行為數(shù)據(jù)庫(kù)中的n個(gè)正常行為數(shù)據(jù)p＝{p1,p2,...,pn}進(jìn)行關(guān)聯(lián)矩陣轉(zhuǎn)換，得到相應(yīng)的關(guān)聯(lián)矩陣m＝{m1,m2,...,mn}；

s302.對(duì)s1步驟中的正常行為數(shù)據(jù)庫(kù)中的n個(gè)正常行為數(shù)據(jù)p＝{p1,p2,...,pn}進(jìn)行平均差異度計(jì)算；

s303.把s2步驟得到的聚類(lèi)融合結(jié)果γ加入到正常行為數(shù)據(jù)集p中，再次進(jìn)行平均差異度計(jì)算；

s304.對(duì)s302步驟和s303步驟得到的差異度進(jìn)行比較，如果s303步驟得到的差異度小于s302步驟得到的差異度，則s2步驟中的數(shù)據(jù)集x為正常行為，將s1步驟中的正常行為數(shù)據(jù)庫(kù)更新為n+1個(gè)聚類(lèi)結(jié)果的聚類(lèi)成員集合；如果s303步驟得到的差異度大于s302步驟得到的差異度，則s2步驟中的數(shù)據(jù)集x確定為異常行為。

進(jìn)一步的，所述的s2步驟中的基于分形的聚類(lèi)融合算法的過(guò)程是：

s201.初始聚類(lèi)過(guò)程：

s2011.利用滑動(dòng)窗口模型獲取移動(dòng)用戶(hù)窗口范圍內(nèi)的數(shù)據(jù)集x；

s2012.將s2011步驟獲得的數(shù)據(jù)集x隨機(jī)劃分為h組數(shù)據(jù)子集

{xi}(i＝1,2,...,h)，并對(duì)xi進(jìn)行k-means聚類(lèi)，每組數(shù)據(jù)子集產(chǎn)生k個(gè)簇并記錄每一個(gè)簇的聚類(lèi)中心，共得到h組聚類(lèi)中心；

s2013.利用s2012步驟得到的h組聚類(lèi)中心對(duì)數(shù)據(jù)集x重新k-means聚類(lèi)，得到數(shù)據(jù)集x的初始聚類(lèi)集合λ＝{λ1,λ2,...,λh}，其中

λh表示數(shù)據(jù)集x的初始聚類(lèi)集合中的某一個(gè)初始聚類(lèi)；λi表示h組數(shù)據(jù)子集中的第i個(gè)聚類(lèi)，表示λi中的第k個(gè)簇；

s202.增量過(guò)程：

s2021.對(duì)在s2011步驟中尚未分配的點(diǎn)b，與s2013步驟中得到的聚類(lèi)集合ci求并集得到用戶(hù)全部數(shù)據(jù)ci′＝ci∪b(i＝1，2，...，h)；分別計(jì)算ci與ci'的分形維數(shù)fi、fi'及其分形影響度f(wàn)idi＝|fi-fi'|，相互比較后得到fidi的值最小的一個(gè)其中，

s2022.遴選s2013步驟中的數(shù)據(jù)集x的初始聚類(lèi)集合，保存滿(mǎn)足公式

min|fi-fi'|＜fidε的聚類(lèi)類(lèi)別；

s203：篩選融合過(guò)程：

s2031.設(shè)定閾值diε，利用duun_index算法對(duì)滿(mǎn)足s2022步驟的聚類(lèi)成員進(jìn)行處理，得到類(lèi)間離間距離高于設(shè)定閾值diε的聚類(lèi)成員λ′＝{λ′1，λ′2，...，λ′h}，其中，h≤h，低于設(shè)定閾值的不再考慮；

s2032.利用投票法對(duì)s2031步驟得到的高于設(shè)定閾值diε的聚類(lèi)成員進(jìn)行融合得到最終的聚類(lèi)結(jié)果γ。

進(jìn)一步的，所述的步驟s2031中類(lèi)間離間距離的得到過(guò)程如下：

其中，其中dist(ci,cj)函數(shù)表示聚類(lèi)的類(lèi)間離間距離

diam(ci)函數(shù)用來(lái)測(cè)量一個(gè)類(lèi)的點(diǎn)的直徑

其中，m＝1……k；k代表聚類(lèi)中心個(gè)數(shù)。

優(yōu)選的，所述的s2031步驟中的閾值diε＝3.5。

進(jìn)一步的，所述的s2032步驟中的投票法是指：設(shè)定一個(gè)矩陣matrix[n][z]，n為數(shù)據(jù)集中s2步驟中的數(shù)據(jù)x中的數(shù)據(jù)個(gè)數(shù)，z為類(lèi)的個(gè)數(shù)，用來(lái)存放每個(gè)數(shù)據(jù)xi針對(duì)某個(gè)類(lèi)zi的出現(xiàn)的次數(shù)；最后掃描矩陣matrix[n][z]，記錄每個(gè)數(shù)據(jù)xi屬于某個(gè)類(lèi)zi的最大次數(shù)；把該數(shù)據(jù)xi歸入次數(shù)最大的列所標(biāo)識(shí)的類(lèi)，得到最終的聚類(lèi)結(jié)果γ。

進(jìn)一步的，所述的s301步驟中的關(guān)聯(lián)矩陣轉(zhuǎn)換過(guò)程是：將s1驟中的n個(gè)正常行為的聚類(lèi)成員集合p＝{p1,p2,...,pn}，與意正常行為聚類(lèi)成員pi，其關(guān)聯(lián)矩陣為：

得到關(guān)聯(lián)矩陣m＝{m1,m2,...,mn}；其中，k代表聚類(lèi)中心個(gè)數(shù)。

進(jìn)一步的，所述的s303步驟中的平均差異度定義過(guò)程如下：

其中mi和mj是正常行為數(shù)據(jù)集p＝{p1,p2,...,pn}相應(yīng)的關(guān)聯(lián)矩陣m＝{m1,m2,...,mn}中的任意兩個(gè)成員，||mi,mj||是指兩個(gè)矩陣的相似性計(jì)算；1≤i≤n，1≤j≤n。

本發(fā)明的有益效果是：本發(fā)明采用滑動(dòng)窗口動(dòng)態(tài)的獲取數(shù)據(jù)，以提高用戶(hù)行為獲取的準(zhǔn)確性，在傳統(tǒng)fc算法的初始聚類(lèi)和增量階段之后引入duun_index概念，對(duì)增量后產(chǎn)生的聚類(lèi)成員進(jìn)行選擇，再將選擇后的優(yōu)質(zhì)成員用投票算法進(jìn)行融合得到最終結(jié)果，再與用戶(hù)的正常行為進(jìn)行相似度對(duì)比時(shí)引入關(guān)聯(lián)矩陣，利用平均差異度的變化來(lái)判斷用戶(hù)行為是否正常，從而達(dá)到異常檢測(cè)高效、準(zhǔn)確的目的。

附圖說(shuō)明

圖1為本發(fā)明流程圖。

圖2為本發(fā)明、fc算法和k-means聚類(lèi)算法檢測(cè)率對(duì)比圖。

圖3為本發(fā)明、fc算法和k-means聚類(lèi)算法準(zhǔn)確率對(duì)比圖。

圖4為本發(fā)明、fc算法和k-means聚類(lèi)算法誤報(bào)率對(duì)比圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行進(jìn)一步的說(shuō)明。

如圖1，一種移動(dòng)用戶(hù)異常行為檢測(cè)方法，其技術(shù)方案是：包含以下步驟：

s1.對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，建立正常行為數(shù)據(jù)庫(kù)；

s2.利用滑動(dòng)窗口模型獲取移動(dòng)用戶(hù)窗口范圍內(nèi)的數(shù)據(jù)集x，采用基于分形的聚類(lèi)融合算法得到數(shù)據(jù)集x的聚類(lèi)融合結(jié)果γ；

s3.異常檢測(cè)過(guò)程：

s301.對(duì)s2步驟得到的聚類(lèi)融合結(jié)果γ與s1步驟中的正常行為數(shù)據(jù)庫(kù)中的n個(gè)正常行為數(shù)據(jù)p＝{p1,p2,...,pn}進(jìn)行關(guān)聯(lián)矩陣轉(zhuǎn)換，得到相應(yīng)的關(guān)聯(lián)矩陣m＝{m1,m2,...,mn}；

s302.對(duì)s1步驟中的正常行為數(shù)據(jù)庫(kù)中的n個(gè)正常行為數(shù)據(jù)

p＝{p1,p2,...,pn}進(jìn)行平均差異度計(jì)算；

s303.把s2步驟得到的聚類(lèi)融合結(jié)果γ加入到正常行為數(shù)據(jù)集p中，再次進(jìn)行平均差異度計(jì)算；

s304.對(duì)s302步驟和s303步驟得到的差異度進(jìn)行比較，如果s303步驟得到的差異度小于s302步驟得到的差異度，則s2步驟中的數(shù)據(jù)集x為正常行為，將s1步驟中的正常行為數(shù)據(jù)庫(kù)更新為n+1個(gè)聚類(lèi)結(jié)果的聚類(lèi)成員集合；如果s303步驟得到的差異度大于s302步驟得到的差異度，則s2步驟中的數(shù)據(jù)集x確定為異常行為。

需要明確的是：現(xiàn)有技術(shù)中的異常行為檢測(cè)方法k-means聚類(lèi)算法和fc聚類(lèi)算法相比，本發(fā)明增加了s3步驟，可以明確的檢測(cè)出移動(dòng)用戶(hù)異常行為，提高了檢測(cè)的準(zhǔn)確率。

進(jìn)一步的，所述的s2步驟中的基于分形的聚類(lèi)融合算法的過(guò)程是：

s201.初始聚類(lèi)過(guò)程：

s2011.利用滑動(dòng)窗口模型獲取移動(dòng)用戶(hù)窗口范圍內(nèi)的數(shù)據(jù)集x，滑動(dòng)窗口模型以外的數(shù)據(jù)b備用；

s2012.將s2011步驟獲得的數(shù)據(jù)集x隨機(jī)劃分為h組數(shù)據(jù)子集

{xi}(i＝1,2,...,h)，并對(duì)xi進(jìn)行k-means聚類(lèi)，每組數(shù)據(jù)子集產(chǎn)生k個(gè)簇并記錄每一個(gè)簇的聚類(lèi)中心，共得到h組聚類(lèi)中心；

s2013.利用s2012步驟得到的h組聚類(lèi)中心對(duì)數(shù)據(jù)集x重新k-means聚類(lèi)，得到數(shù)據(jù)集x的初始聚類(lèi)集合λ＝{λ1,λ2,...,λh}，其中

λh表示數(shù)據(jù)集x的初始聚類(lèi)集合中的某一個(gè)初始聚類(lèi)；λi表示h組數(shù)據(jù)子集中的第i個(gè)聚類(lèi)，表示λi中的第k個(gè)簇；

s202.增量過(guò)程：

s2021.對(duì)在s2011步驟中尚未分配的點(diǎn)b，與s2013步驟中得到的聚類(lèi)集合ci求并集得到用戶(hù)全部數(shù)據(jù)ci′＝ci∪b(i＝1，2，...，h)；分別計(jì)算ci與ci'的分形維數(shù)fi、fi'及其分形影響度f(wàn)idi＝|fi-fi'|，相互比較后得到fidi的值最小的一個(gè)其中，

s2022.遴選s2013步驟中的數(shù)據(jù)集x的初始聚類(lèi)集合，保存滿(mǎn)足公式

min|fi-fi'|＜fidε的聚類(lèi)類(lèi)別；

s203：篩選融合過(guò)程：

s2031.設(shè)定閾值diε，利用duun_index算法對(duì)滿(mǎn)足s2022步驟的聚類(lèi)成員進(jìn)行處理，得到類(lèi)間離間距離高于設(shè)定閾值diε的聚類(lèi)成員λ′＝{λ′1，λ′2，...，λ′h}，其中，h≤h，低于設(shè)定閾值的不再考慮；

s2032.利用投票法對(duì)s2031步驟得到的高于設(shè)定閾值diε的聚類(lèi)成員進(jìn)行融合得到最終的聚類(lèi)結(jié)果γ。

需要明確的是：聚類(lèi)融合算法是現(xiàn)有技術(shù)中常用的計(jì)算方法。而在現(xiàn)有的聚類(lèi)融合算法之中，增加了s2031步驟，增加了閾值diε，解決了聚類(lèi)融合的質(zhì)量的問(wèn)題(增量階段之后產(chǎn)生多個(gè)聚類(lèi)成員，成員的聚類(lèi)質(zhì)量參差不齊，如果把所有成員都進(jìn)行融合，勢(shì)必會(huì)影響聚類(lèi)的效果，可能還不如原先單一聚類(lèi)的質(zhì)量高)。

需要明確的是：duun_index算法是一種公開(kāi)的算法，由anastasiosdrosouanddimitriostzovaras公布于ieeeicc2015《amulti-objectiveclusteringapproachforthedetectionofabnormalbehaviorsinmobilenetworks》。

進(jìn)一步的，所述的步驟s2031中類(lèi)間離間距離的得到過(guò)程如下：

其中，其中dist(ci,cj)函數(shù)表示聚類(lèi)的類(lèi)間離間距離

diam(ci)函數(shù)用來(lái)測(cè)量一個(gè)類(lèi)的點(diǎn)的直徑

其中，m＝1……k；k代表聚類(lèi)中心個(gè)數(shù)。

需要明確的是：顯然，di越大，類(lèi)間離間的可視化就越清晰，聚類(lèi)效果也就越好。在此，我們要設(shè)定一個(gè)閾值diε，高于閾值diε的視為優(yōu)質(zhì)聚類(lèi)結(jié)果，低于閾值diε的則不進(jìn)入最后的融合階段。

優(yōu)選的，所述的s2031步驟中的閾值diε＝3.5。

進(jìn)一步的，所述的s2032步驟中的投票法是指：設(shè)定一個(gè)矩陣matrix[n][z]，n為數(shù)據(jù)集中s2步驟中的數(shù)據(jù)x中的數(shù)據(jù)個(gè)數(shù)，z為類(lèi)的個(gè)數(shù)，用來(lái)存放每個(gè)數(shù)據(jù)xi針對(duì)某個(gè)類(lèi)zi的出現(xiàn)的次數(shù)；最后掃描矩陣matrix[n][z]，記錄每個(gè)數(shù)據(jù)xi屬于某個(gè)類(lèi)zi的最大次數(shù)；把該數(shù)據(jù)xi歸入次數(shù)最大的列所標(biāo)識(shí)的類(lèi)，得到最終的聚類(lèi)結(jié)果γ。

進(jìn)一步的，所述的s301步驟中的關(guān)聯(lián)矩陣轉(zhuǎn)換過(guò)程是：將s1驟中的n個(gè)正常行為的聚類(lèi)成員集合p＝{p1,p2,...,pn}，與意正常行為聚類(lèi)成員pi，其關(guān)聯(lián)矩陣為：

得到關(guān)聯(lián)矩陣m＝{m1,m2,...,mn}；其中，k代表聚類(lèi)中心個(gè)數(shù)。

進(jìn)一步的，所述的s303步驟中的平均差異度定義過(guò)程如下：

其中mi和mj是正常行為數(shù)據(jù)集p＝{p1,p2,...,pn}相應(yīng)的關(guān)聯(lián)矩陣m＝{m1,m2,...,mn}中的任意兩個(gè)成員，||mi,mj||是指兩個(gè)矩陣的相似性計(jì)算；1≤i≤n，1≤j≤n。

實(shí)驗(yàn)過(guò)程：本發(fā)明實(shí)驗(yàn)硬件環(huán)境為intelcorei5-2400cpu，主頻3.10ghz，內(nèi)存4gb，操作系統(tǒng)為win7，64位，編程工具使用matlab(r2010a)。本發(fā)明在上述實(shí)驗(yàn)環(huán)境下對(duì)本發(fā)明進(jìn)行測(cè)試。

本發(fā)明s1步驟采用的正常行為數(shù)據(jù)庫(kù)為kddcup99數(shù)據(jù)集，此數(shù)據(jù)集是1998年美國(guó)國(guó)防部高級(jí)規(guī)劃署(darpa)在mit林肯實(shí)驗(yàn)室進(jìn)行了一項(xiàng)入侵檢測(cè)評(píng)估項(xiàng)目而建立的測(cè)試數(shù)據(jù)集。

為了達(dá)到本發(fā)明檢測(cè)用戶(hù)異常行為的目的，考慮檢測(cè)率(detectionrate，dr)、準(zhǔn)確率(accuracyrate，ar)和誤報(bào)率(errorrate，er)這三個(gè)指標(biāo)。

dr＝檢測(cè)到的攻擊樣本數(shù)/攻擊樣本總數(shù)×100％

ar＝所有被檢測(cè)到的異常樣本數(shù)/異常樣本數(shù)×100％

er＝所有正常樣本被誤報(bào)為異常的樣本數(shù)/正常樣本數(shù)×100％

本文采用的kdd99數(shù)據(jù)集共有數(shù)據(jù)點(diǎn)4898431個(gè)，如果直接對(duì)數(shù)據(jù)集進(jìn)行建模，會(huì)消耗大量資源。因此，從數(shù)據(jù)集中隨機(jī)選取20000條數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，其中取出1000條數(shù)據(jù)進(jìn)行初始化，然后模擬數(shù)據(jù)流環(huán)境，將剩下的數(shù)據(jù)用滑動(dòng)窗口不停的獲取。滑動(dòng)窗口得到的數(shù)據(jù)集x劃分成h＝20個(gè)基本數(shù)據(jù)子集，把判定是否為離群點(diǎn)的閾值fidε設(shè)置為0.01，diε設(shè)置為3.50。

檢測(cè)率：一個(gè)檢測(cè)率較高的方法能夠更加準(zhǔn)確的分析異常行為，中斷攻擊行為的順利進(jìn)行，有效保護(hù)用戶(hù)個(gè)人行為數(shù)據(jù)。檢測(cè)率為檢測(cè)到的攻擊樣本數(shù)與攻擊樣本總數(shù)之比。由圖2可知，在測(cè)試樣本數(shù)量極少的時(shí)候本發(fā)明的檢測(cè)率都能達(dá)到100％，當(dāng)樣本數(shù)量在2000-4000的時(shí)候發(fā)生了異常攻擊，但是k-means聚類(lèi)的用戶(hù)異常行為不能很好的檢測(cè)出該攻擊行為，誤將該行為認(rèn)為是正常行為，所以造成檢測(cè)率急速降低。此時(shí)，fc聚類(lèi)算法和本文算法的用戶(hù)異常行為分析方法可以很好的識(shí)別出該攻擊行為，所以檢測(cè)率保持穩(wěn)定。隨著測(cè)試樣本數(shù)量的增加，本發(fā)明所述的用戶(hù)異常行為分析方法表現(xiàn)出了明顯的優(yōu)勢(shì)，相比于傳統(tǒng)的fc聚類(lèi)算法，本文算法增加了選擇步驟，減少了劣質(zhì)聚類(lèi)成員對(duì)融合結(jié)果的干擾，提高了聚類(lèi)質(zhì)量，使得檢測(cè)率相對(duì)比較高，并且比較穩(wěn)定。

準(zhǔn)確率：為所有異常樣本被檢測(cè)到的樣本數(shù)與異常樣本數(shù)之比，由圖3可以看出，3種用戶(hù)異常分析算法在檢測(cè)樣本數(shù)量極少的情況下，準(zhǔn)確率可以達(dá)到100％，由于樣本數(shù)量在2000-4000的時(shí)候發(fā)生了異常攻擊，造成了k-means聚類(lèi)的用戶(hù)異常行為準(zhǔn)確率的急速降低，而另外兩種檢測(cè)方法可以檢測(cè)出異常攻擊使得準(zhǔn)確率相對(duì)來(lái)說(shuō)比較穩(wěn)定。隨著樣本數(shù)量的增加，本發(fā)明的檢測(cè)率較高且趨于平穩(wěn)。

誤報(bào)率：是指正常樣本被誤認(rèn)為是異常樣本的個(gè)數(shù)與總異常樣本量個(gè)數(shù)之比，由圖4可以看出，對(duì)于三種檢測(cè)方法，誤報(bào)率隨著樣本數(shù)的增多逐漸增大，但是相比于其他兩種算法，本發(fā)明所用到的用戶(hù)異常行為分析方法的誤報(bào)率相對(duì)較低，表明該算法對(duì)用戶(hù)的異常行為有較好的識(shí)別能力。

本發(fā)明基于分形模型，提出了一種選擇性分形聚類(lèi)融合算法用于用戶(hù)的異常行為檢測(cè)方法，在傳統(tǒng)的fc挖掘算法只能滿(mǎn)足一般高維數(shù)據(jù)的實(shí)時(shí)動(dòng)態(tài)挖掘卻沒(méi)有很高準(zhǔn)確性的基礎(chǔ)上，本發(fā)明既實(shí)現(xiàn)了對(duì)任意形狀數(shù)據(jù)的挖掘，也提高了分形聚類(lèi)結(jié)果的準(zhǔn)確性和有效性，在用戶(hù)異常行為檢測(cè)中也能夠準(zhǔn)確有效地完成聚類(lèi)任務(wù)，且適用于高維、海量的數(shù)據(jù)，可應(yīng)用于空間數(shù)據(jù)聚類(lèi)、商業(yè)數(shù)據(jù)聚類(lèi)等領(lǐng)域。實(shí)驗(yàn)表明，本發(fā)明的檢測(cè)率和準(zhǔn)確率都有明顯提升，具有良好的魯棒性，可以較好的在用戶(hù)和云環(huán)境之間建立一個(gè)相互的信任關(guān)系，成為云服務(wù)環(huán)境可信的有效前提。