面向大规模网络流量的用户数字身份关联
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11页 |
| 1.3 研究现状和创新点 | 第11-12页 |
| 1.4 论文结构 | 第12-14页 |
| 第二章 基于Hadoop的数字身份关联模型设计 | 第14-22页 |
| 2.1 Hadoop数据分析平台与Spark技术 | 第14-16页 |
| 2.1.1 Hadoop数据分析平台 | 第14-15页 |
| 2.1.2 Spark技术 | 第15-16页 |
| 2.2 数字身份关联模型的结构 | 第16-19页 |
| 2.2.1 数据采集模块 | 第16-17页 |
| 2.2.2 数据存储模块 | 第17页 |
| 2.2.3 用户信息提取模块 | 第17-18页 |
| 2.2.4 用户信息分析模块 | 第18-19页 |
| 2.2.5 数字身份关联模块 | 第19页 |
| 2.3 本章小结 | 第19-22页 |
| 第三章 用户信息提取系统的设计与实现 | 第22-36页 |
| 3.1 概述 | 第22页 |
| 3.2 热门业务的定位 | 第22-23页 |
| 3.3 用户信息的匹配方法 | 第23-25页 |
| 3.3.1 数字身份的匹配方法 | 第24页 |
| 3.3.2 设备指纹的匹配方法 | 第24-25页 |
| 3.4 系统整体框架 | 第25-26页 |
| 3.5 系统具体实现 | 第26-34页 |
| 3.5.1 库表设计 | 第26-27页 |
| 3.5.2 数字身份的提取及处理 | 第27-33页 |
| 3.5.3 设备指纹的提取及处理 | 第33-34页 |
| 3.6 提取规则的更新监测 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第四章 基于真实网络流量数据的用户上网行为分析 | 第36-50页 |
| 4.1 概述 | 第36页 |
| 4.2 数据集介绍 | 第36-37页 |
| 4.3 用户信息提取 | 第37-38页 |
| 4.4 用户上网行为特点分析 | 第38-42页 |
| 4.4.1 有关用户和数字身份的数量统计 | 第38-39页 |
| 4.4.2 用户拥有的数字身份数 | 第39-40页 |
| 4.4.3 用户拥有数字身份的业务平台数 | 第40页 |
| 4.4.4 用户拥有的设备数 | 第40-41页 |
| 4.4.5 IP地址被共用的程度 | 第41-42页 |
| 4.4.6 位置信息的覆盖程度 | 第42页 |
| 4.5 数字身份的上网行为指标定义 | 第42-48页 |
| 4.5.1 上网行为信息的整合 | 第43-44页 |
| 4.5.2 指标的定义 | 第44-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第五章 基于上网行为的数字身份关联算法 | 第50-62页 |
| 5.1 概述 | 第50-51页 |
| 5.2 算法框架 | 第51页 |
| 5.3 待预测集合的构建 | 第51-54页 |
| 5.3.1 基于地理位置的待预测集合构建 | 第52-53页 |
| 5.3.2 基于IP地址的待预测集合构建 | 第53-54页 |
| 5.4 特征构建与选择 | 第54-58页 |
| 5.4.1 特征构建 | 第54-55页 |
| 5.4.2 特征选择 | 第55-58页 |
| 5.5 模型的训练与预测 | 第58-59页 |
| 5.5.1 评估指标介绍 | 第58页 |
| 5.5.2 实验部署及模型评估 | 第58-59页 |
| 5.6 预测结果的添加与修正 | 第59-60页 |
| 5.7 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间取得的研究成果 | 第70页 |
