| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 移动云服务的研究现状 | 第9-12页 |
| 1.2.2 用户异常分析的研究现状 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 第2章 基于神经网络聚类的用户异常行为分析方法 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 用户异常行为分析的系统模型 | 第16-17页 |
| 2.2.1 SVD分解模型 | 第16-17页 |
| 2.2.2 SVD并行处理模型 | 第17页 |
| 2.2.3 SVD降噪模型 | 第17页 |
| 2.2.4 BP神经网络模型 | 第17页 |
| 2.3 异常行为分析机制 | 第17-22页 |
| 2.3.1 SVD并行分解模型 | 第18-19页 |
| 2.3.2 SVD降噪模型 | 第19页 |
| 2.3.3 基于信息熵的BP神经网络模型 | 第19-20页 |
| 2.3.4 聚类模型 | 第20-22页 |
| 2.4 仿真结果与分析 | 第22-28页 |
| 2.4.1 实验环境及参数设置 | 第22-23页 |
| 2.4.2 异常分析的评价指标 | 第23页 |
| 2.4.3 实验过程 | 第23-25页 |
| 2.4.4 仿真结果 | 第25-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 一种基于信誉投票的用户行为异常协同分析 | 第30-48页 |
| 3.1 引言 | 第30-31页 |
| 3.2 用户行为异常协同分析模型 | 第31-36页 |
| 3.2.1 相关概念 | 第31-32页 |
| 3.2.2 信誉模型 | 第32-33页 |
| 3.2.3 D-Chord环 | 第33-35页 |
| 3.2.4 用户行为异常协同分析模型 | 第35-36页 |
| 3.3 用户行为异常协同分析算法 | 第36-41页 |
| 3.3.1 构造训练样本 | 第36-38页 |
| 3.3.2 选择性集成分类器 | 第38页 |
| 3.3.3 信誉计算 | 第38-40页 |
| 3.3.4 双向Chord环查找 | 第40-41页 |
| 3.4 用户行为异常协同分析算法 | 第41-42页 |
| 3.5 实验结果与分析 | 第42-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于模式增长的异常行为识别与自主优化方法 | 第48-69页 |
| 4.1 引言 | 第48-49页 |
| 4.2 基于模式增长的异常行为识别与自主优化模型 | 第49-51页 |
| 4.2.1 相关概念 | 第49页 |
| 4.2.2 Map-Reduce模型 | 第49-50页 |
| 4.2.3 黑名单技术 | 第50-51页 |
| 4.2.4 基于模式增长的异常行为识别与自主优化模型 | 第51页 |
| 4.3 基于模式增长的异常行为识别与自主优化方法 | 第51-61页 |
| 4.3.1 带有时间间隔约束的正常行为模式挖掘方法 | 第52-55页 |
| 4.3.2 基于分层匹配用户时序行为的异常识别方法 | 第55-58页 |
| 4.3.3 基于模式增长的用户时序行为自主优化方法 | 第58-60页 |
| 4.3.4 基于模式增长的异常行为识别与自主优化算法 | 第60-61页 |
| 4.4 仿真实验结果与分析 | 第61-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 结论 | 第69-71页 |
| 5.1 总结 | 第69-70页 |
| 5.2 研究展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 攻读学位期间的研究成果 | 第77页 |
