| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 移动互联网行为审计研究现状 | 第13-14页 |
| 1.3 本文组织结构 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 2 移动互联网行为审计相关技术 | 第16-25页 |
| 2.1 网络行为安全审计 | 第16-18页 |
| 2.2 移动互联网用户行为 | 第18-20页 |
| 2.3 行为数据分析相关技术 | 第20-24页 |
| 2.3.1 基于统计方法的行为数据分析方法 | 第20-21页 |
| 2.3.2 基于数据挖掘的行为数据分析方法 | 第21-22页 |
| 2.3.3 基于网络挖掘的行为数据分析方法 | 第22-23页 |
| 2.3.4 基于机器学习的行为分析方法 | 第23页 |
| 2.3.5 基于聚类算法的行为数据分析方法 | 第23页 |
| 2.3.6 基于规则库的异常行为分析方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于改进的DHMM算法的移动互联网网络行为审计模块 | 第25-49页 |
| 3.1 网络行为审计模块的基本设计 | 第26-30页 |
| 3.2 网络行为审计模块压缩算法 | 第30-33页 |
| 3.2.1 压缩算法 | 第30-32页 |
| 3.2.2 移动互联网行为数据特性指标 | 第32-33页 |
| 3.3 改进的DHMM算法 | 第33-40页 |
| 3.3.1 DHMM算法简介 | 第33-34页 |
| 3.3.2 基于密度的聚类算法DBCSAN算法的相关内容 | 第34-36页 |
| 3.3.3 隐马尔科夫模型 | 第36-38页 |
| 3.3.4 DHMM算法思想 | 第38-39页 |
| 3.3.5 DHMM算法描述 | 第39-40页 |
| 3.4 实验和分析 | 第40-48页 |
| 3.4.1 实验设定 | 第40-42页 |
| 3.4.2 实验结果 | 第42-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 基于改进的隐马尔科夫模型的移动互联网用户行为审计模块 | 第49-59页 |
| 4.1 移动互联网用户行为审计简介 | 第49-50页 |
| 4.2 改进的隐马尔科夫模型 | 第50-51页 |
| 4.3 用户行为审计算法描述 | 第51-53页 |
| 4.4 通过改进的隐马尔科夫模型对状态转移路径的估算方法 | 第53页 |
| 4.5 实验和分析 | 第53-58页 |
| 4.5.1 实验设定 | 第54页 |
| 4.5.2 实验结果 | 第54-58页 |
| 4.6 本章小结 | 第58-59页 |
| 5 移动互联网行为审计系统的设计与实现 | 第59-67页 |
| 5.1 移动互联网行为审计架构 | 第59-61页 |
| 5.2 系统关键模块设计与实现 | 第61-66页 |
| 5.2.1 数据收集模块 | 第62-63页 |
| 5.2.2 数据预处理模块 | 第63-64页 |
| 5.2.3 网络行为审计模块 | 第64-65页 |
| 5.2.4 用户行为审计模块 | 第65-66页 |
| 5.2.5 系统管理和可视化模块 | 第66页 |
| 5.3 本章小结 | 第66-67页 |
| 6 结论 | 第67-69页 |
| 6.1 工作总结 | 第67页 |
| 6.2 下一步研究工作 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
