CN107995289B - 一种网络用户的行为追踪方法及平台 - Google Patents
一种网络用户的行为追踪方法及平台 Download PDFInfo
- Publication number
- CN107995289B CN107995289B CN201711250278.4A CN201711250278A CN107995289B CN 107995289 B CN107995289 B CN 107995289B CN 201711250278 A CN201711250278 A CN 201711250278A CN 107995289 B CN107995289 B CN 107995289B
- Authority
- CN
- China
- Prior art keywords
- user
- access
- website
- data
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000013480 data collection Methods 0.000 claims description 19
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0888—Throughput
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
Abstract
本发明公开了一种网络用户的行为追踪方法及平台,该方法包括:判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值,若判断出所述用户访问流量大于或等于监控阈值,则根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。该方法能够查找网络用户的群体行为源头,实时准确地追踪网络用户,有效提升网络安全。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种网络用户的行为追踪方法及平台。
背景技术
随着网络的高速发展,很多群体事件都起源于网络用户的群体行为,网络内容及网络用户的群体行为影响着社会的稳定性。准确、实时地跟踪网络用户的行为,对提升网络安全有着重要的意义。但由于目前网络数据量较为庞大,网络用户的群体行为源头无法查找,导致无法对网络用户的进行实时和准确地追踪,进而降低了网络安全。
发明内容
本发明提供一种网络用户的行为追踪方法及平台,能够查找网络用户的群体行为源头,实时准确地追踪网络用户,有效提升网络安全。
为实现上述目的,本发明提供了一种网络用户的行为追踪方法,包括:
判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值;
若判断出所述用户访问流量大于或等于监控阈值,根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。
可选地,在所述判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值之前还包括:
根据历史事件数据和/或热点事件数据生成事件判断模板,所述事件判断模板包括事件类别、网站信息和关键词;
采集与所述事件判断模板中网站信息对应的网站的访问数据和用户数据,所述网站的访问数据包括访问记录和流量信息,所述用户数据包括用户标识、位置信息和访问时间;
根据所述网站的访问数据、用户数据及事件判断模板生成与所述事件判断模板中网站对应的有效用户数据集。
可选地,在所述采集所述事件判断模板中网站的访问数据和用户数据之后还包括:
根据所述网站的访问数据和用户数据生成设定时间段内的总流量或用户平均访问流量;
根据所述总流量和用户平均访问流量设定监控阈值,所述监控阈值为所述总流量平均值或用户平均访问流量平均值的N倍。
可选地,所述根据所述网站的访问数据、用户数据及事件判断模板生成与所述事件判断模板中网站对应的有效用户数据集包括:
关联所述网站的访问数据和用户数据生成用户业务数据集,所述用户业务数据集包括访问记录、流量信息、用户标识、位置信息和访问时间;
根据所述事件判断模板对所述用户业务数据集进行过滤,生成与所述事件判断模板中网站对应的有效用户数据集。
可选地,所述根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪包括:
根据处置策略对所述有效用户数据集进行分类生成分类结果,所述分类结果包括:非常积极参与用户类、积极参与用户类和一般参与用户类;
根据不同分类结果对应的跟踪方法对所述用户进行跟踪。
可选地,所述根据处置策略对所述有效用户数据集进行分类生成分类结果包括:
选取两个不同时间段内的用户访问流量作为维度建立坐标系;
在所述坐标系中选取多个迭代质心,所述多个迭代质心表示不同的类别;
根据所述迭代质心对所述有效用户数据集中的有效用户进行多次迭代后生成分类结果。
为实现上述目的,本发明提供了一种网络用户的行为追踪平台,包括:
判断模块,用于判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值;
跟踪模块,用于若所述判断模块判断出所述用户访问流量大于或等于监控阈值,根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。
可选地,还包括:
生成模块,用于根据历史事件数据和/或热点事件数据生成事件判断模板,所述事件判断模板包括事件类别、网站信息和关键词;
采集模块,用于采集与所述事件判断模板中网站信息对应的网站的访问数据和用户数据,所述网站的访问数据包括访问记录和流量信息,所述用户数据包括用户标识、位置信息和访问时间;
所述生成模块还用于根据所述网站的访问数据、用户数据及事件判断模板生成与所述事件判断模板中网站对应的有效用户数据集。
可选地,还包括设定模块;
所述生成模块还用于根据所述网站的访问数据和用户数据生成设定时间段内的总流量或用户平均访问流量;
所述设定模块,用于根据所述总流量和用户平均访问流量设定监控阈值,所述监控阈值为所述总流量平均值或用户平均访问流量平均值的N倍。
可选地,所述生成模块具体用于关联所述网站的访问数据和用户数据生成用户业务数据集,所述用户业务数据集包括访问记录、流量信息、用户标识、位置信息和访问时间,根据所述事件判断模板对所述用户业务数据集进行过滤,生成与所述事件判断模板中网站对应的有效用户数据集。
本发明具有以下有益效果:
本发明提供的一种网络用户的行为追踪方法,判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值,若判断出所述用户访问流量大于或等于监控阈值,则根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。该方法能够查找网络用户的群体行为源头,实时准确地追踪网络用户,有效提升网络安全。
附图说明
图1是本发明实施例一提供的一种网络用户的行为追踪方法的流程示意图;
图2是本发明实施例二提供的一种网络用户的行为追踪方法的流程示意图;
图3是本发明实施例三提供的一种网络用户的行为追踪平台的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的一种网络用户的行为追踪方法的流程示意图,如图1所示,该方法包括:
步骤101、判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值,若判断出所述用户访问流量大于或等于监控阈值,执行步骤102。
步骤102、根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。
本实施例提供的一种网络用户的行为追踪方法,判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值,若判断出所述用户访问流量大于或等于监控阈值,则根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。该方法能够查找网络用户的群体行为源头,实时准确地追踪网络用户,有效提升网络安全。
实施例二
图2是本实施例二提供的一种网络用户的行为追踪方法的流程示意图,如图2所示,该方法包括:
步骤201、根据历史事件数据和/或热点事件数据生成事件判断模板,所述事件判断模板包括事件类别、网站信息和关键词。
优选地,本实施例的各步骤由网络用户的行为追踪平台执行。
历史事件是指曾经在网络上引起较多用户参与及讨论,并在线上甚至线下造成一定影响的网络事件。热点事件为目前引起较多用户参与及讨论,可能在未来造成一定影响的网络事件。事件类别包括非法传销类、国家安全类、或假冒伪劣产品类等类别,网站信息包括网站名称、网站地址、网站内热点板块等信息,关键词可以为一个或多个涉及事件的敏感非法词汇。
事件判断模板用于预测和实时分析网络用户的群体事件,为多维度数据集合C(c1(条件1,条件2…),c2(条件1,条件2…)),如在历史事件中网站d1中的某个板块d11易产生网络用户聚集,网络用户讨论的话题key1,key2会引起网络用户的群体事件,则依据该历史事件形成多维度数据集合C(a1(a11(key1,key2)))。
本实施例中,a1和a11表示网站信息,a1表示网站,a11表示网站中的具体板块,key1和key2为关键词。例如,A网站的A1板块中有大量网络用户讨论敏感非法信息,B网站的B1板块中有大量网络用户讨论敏感非法信息,具体敏感非法词汇包括k1、k2、k3等,根据A网站的数据生成事件判断集合A(A1[k1,k2,k3]),根据B网站的数据生成事件判断集合B(B1[k1,k2,k3]),同时A网站和B网站根据网络安全策略被分为W类别事件,因此可根据A网站和B网站的数据生成W类别事件的事件判断模板,如:W为非法传销类事件时,非法传销类事件的事件判断模板为W{A(A1[k1,k2,k3];B(B1[K1,K2,K3]))}。
步骤202、采集与所述事件判断模板中网站信息对应的网站的访问数据和用户数据,所述网站的访问数据包括访问记录和流量信息,所述用户数据包括用户标识、位置信息和访问时间。
网络用户的行为追踪平台包括多个数据中心,对数据中心的出入数据进行采集形成网站的访问数据,具体可选地,访问记录包括URL(Uniform Resource Locator,统一资源定位符)、数据中心ID、源IP、目的IP、业务类型、数据中心中网络公司或个人ID、访问时间等,流量信息包括上行流量信息、下行流量信息、产生流量的时间、流量大小等。
对用户的上网使用数据进行采集形成用户数据,具体可选地,用户标识包括用户手机号码、手机标识码、位置信息包括源IP、物理地址、URL等。
优选地,本实施例中实时采集所述访问数据和用户数据。
步骤203、关联所述网站的访问数据和用户数据生成用户业务数据集,所述用户业务数据集包括访问记录、流量信息、用户标识、位置信息和访问时间。
将网站的访问数据与用户数据关联后,生成针对某个用户的用户业务数据集。具体地,根据访问时间及用户标识来关联网站的访问数据和用户数据以形成用户业务数据集。
相较用户数据而言,用户业务数据集中包括了用户具体访问的网站地址及访问网站时产生的访问记录及流量信息。
步骤204、根据所述事件判断模板对所述用户业务数据集进行过滤,生成与所述事件判断模板中网站对应的有效用户数据集。
具体地,从多个用户的用户业务数据集中过滤出与事件判断模板中网站信息和关键词相关用户的用户业务数据集,相关用户即为有效用户。有效用户数据集包括有效用户的用户业务数据集。
如:当事件判断模板为W{A(A1[k1,k2,k3];B(B1[K1,K2,K3]))}时,首先根据A网站和A1板块过滤出访问A网站A1板块的用户,再根据关键词k1和/或关键词k2和/或关键词k3过滤出访问A网站A1板块用户中与关键词相关的用户,最终过滤出的用户即为有效用户。根据B网站和B1板块过滤出访问B网站B1板块的用户,再根据关键词k1和/或关键词k2和/或关键词k3过滤出访问B网站B1板块用户中与关键词相关的用户,最终过滤出的用户即为有效用户,有效用户数据集包括有效用户和有效用户对应的用户业务数据集。
步骤205、根据所述网站的访问数据和用户数据生成设定时间段内的总流量或用户平均访问流量。
设定时间段内的总流量为设定时间段内访问该网站的总流量,设定时间段内的用户平均访问流量为设定时间段内访问该网站的平均每个用户的访问流量。
优选地,总流量为日总流量,用户平均访问流量为日用户平均访问流量。
如:在T(t1-tn)时间段内,针对事件判断模板W{A(A1[k1,k2,k3];B(B1[K1,K2,K3]))}中的A网站,共有M个用户访问,根据网站访问数据中的流量信息和用户数据中的用户标识得出:用户i访问流量=用户i访问流量(t1时间)+…用户i访问流量(tn时间)/n(访问次数),i=1,2,…M,M个用户的访问流量的总和即为总流量,用户平均访问流量=总流量/访问人次M。
步骤205与步骤204的执行顺序可根据需要进行变更,例如,步骤205可在步骤204之前执行或者步骤204和步骤205可同时执行。
步骤206、根据所述总流量和用户平均访问流量设定监控阈值,所述监控阈值为所述总流量平均值或所述用户平均访问流量平均值的N倍。
优选地,总流量平均值为日总流量平均值,用户平均访问流量平均值为日用户平均访问流量平均值,N取1.5。
步骤207、判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值,若是,执行步骤208;若否,继续执行步骤207。
具体地,实时判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值,设定时间段内的用户访问流量包括设定时间段内的总流量或设定时间段内的用户平均访问流量。判断设定时间段内的总流量是否大于或等于监控阈值,或判断设定时间段内的用户平均访问流量是否大于或等于监控阈值。如:N为1.5时,当监测到某日访问该网站的总流量大于或等于日总流量平均值的1.5倍时,或监测到某日访问该网站的用户平均访问流量大于或等于日用户平均访问流量平均值的1.5倍时,执行步骤208。
步骤208、根据预先生成的与所述网站对应的有效用户数据集对用户进行分类跟踪。
具体地,步骤208包括以下步骤:
步骤2081、根据处置策略对所述有效用户数据集进行分类生成分类结果,所述分类结果包括:非常积极参与用户类、积极参与用户类和一般参与用户类。
优选地,处置策略为针对用户参与某个事件的深度进行分类,用户参与某个事件的深度越大,用户访问与该事件相关的网站时的访问流量越多,以访问流量作为主维度对有效用户数据集进行分类生成分类结果。
优选地,步骤2081包括以下步骤:
步骤2081a、选取两个不同时间段内的用户访问流量作为横纵坐标建立坐标系。
如:选取的两个不同时间段为一天及一天内的9:00-12:00,将一天及一天内的9:00-12:00的用户访问流量分别记为x和y,以x和y为维度建立坐标系。
步骤2081b、在所述坐标系中选取多个迭代质心,所述多个迭代质心表示不同的类别。
具体地,在坐标系中随机选择三个点作为初期迭代质心,记为向量(A1,x1,y1),(A2,x2,y2),(A3,x3,y3),三个初期迭代质心分别对应表示非常积极参与用户类、积极参与用户类和一般参与用户类。
步骤2081c、根据所述迭代质心对所述有效用户数据集中的有效用户进行多次迭代后生成分类结果。
具体地,计算所有用户到三个初期迭代质心的距离的平方,用户在坐标系中的坐标表示为(xn,yn),计算公式为Ln2=(xn-x1)2+(yn-y1)2,Ln表示用户到初期迭代质心的距离。最终得出所有用户到三个初期迭代质心的三个距离集合,[L11,L12…L1n]、[L21,L22…L2n]、[L31,L32…L3n],比较每个用户对应在三个距离合集中的距离数值,取最小的作为用户的分类结果,例如用户A在集合[L11,L12…L1n]中的距离最小,则认为用户A归属为集合[L11,L12…L1n],用户A为非常积极参与用户类。
优选地,可重复执行步骤2081b及步骤2081c进行多次迭代直到迭代质心的坐标和分类结果稳定。多次迭代的次数根据相邻两次迭代的波动值来决定,如当相邻两次迭代的波动值([Ln2-L(n-1)2]/L(n-1)2)处于(-0.5%,0.5%)之间时,认为分类结果稳定,迭代次数为n。
优选地,可按照周期T=7,迭代次数n=20进行多次递归式迭代,以得出更准确的分类结果。
步骤2082、根据不同分类结果对应的跟踪方法对所述用户进行跟踪。
具体地,跟踪是指跟踪参与网络事件的网络用户并形成与网络用户对应的行为轨迹。本实施例中,根据非常积极参与用户类、积极参与用户类和一般参与用户类这三类分类结果,对不同分类结果中包括的用户进行溯源,如可根据位置信息、用户标识、及访问时间追踪网络用户并形成设定时间段内该网络用户的行为轨迹。
本实施例中,对非常积极参与用户类、积极参与用户类和一般参与用户类三种类别的用户采取不同的跟踪方法,用户参与某事件的深度越多,跟踪过程持续时间更长,且跟踪时采集的数据更丰富。
本实施例提供了一种网络用户的行为追踪方法,判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值,若判断出所述用户访问流量大于或等于监控阈值,则根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。该方法能够查找网络用户的群体行为源头,实时准确地追踪网络用户,有效提升网络安全。
实施例三
图3是本实施例三提供的一种网络用户的行为追踪平台的结构示意图,如图3所示,该平台包括判断模块11和跟踪模块12。
判断模块11用于判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值;
跟踪模块12用于若所述判断模块判断出所述用户访问流量大于或等于监控阈值,根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。
进一步地,还包括生成模块13和采集模块14。
生成模块13用于根据历史事件数据和/或热点事件数据生成事件判断模板,所述事件判断模板包括事件类别、网站信息和关键词;
采集模块14用于采集与所述事件判断模板中网站信息对应的网站的访问数据和用户数据,所述网站的访问数据包括访问记录和流量信息,所述用户数据包括用户标识、位置信息和访问时间;
生成模块13还用于根据所述网站的访问数据、用户数据及事件判断模板生成与所述事件判断模板中网站对应的有效用户数据集。
进一步地,还包括设定模块15。
生成模块13还用于根据所述网站的访问数据和用户数据生成设定时间段内的总流量或用户平均访问流量;
设定模块15用于根据所述总流量和用户平均访问流量设定监控阈值,所述监控阈值为所述总流量平均值或用户平均访问流量平均值的N倍。
进一步地,生成模块13具体用于关联所述网站的访问数据和用户数据生成用户业务数据集,所述用户业务数据集包括访问记录、流量信息、用户标识、位置信息和访问时间,根据所述事件判断模板对所述用户业务数据集进行过滤,生成与所述事件判断模板中网站对应的有效用户数据集。
本实施例提供的一种网络用户的行为追踪平台,判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值,若判断出所述用户访问流量大于或等于监控阈值,则根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪,能够查找网络用户的群体行为源头,实时准确地追踪网络用户,有效提升网络安全。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种网络用户的行为追踪方法,其特征在于,包括:
根据历史事件数据和/或热点事件数据生成事件判断模板,所述事件判断模板包括事件类别、网站信息和关键词;
采集与所述事件判断模板中网站信息对应的网站的访问数据和用户数据,所述网站的访问数据包括访问记录和流量信息,所述用户数据包括用户标识、位置信息和访问时间;
根据所述网站的访问数据、用户数据及事件判断模板生成与所述事件判断模板中网站对应的有效用户数据集;
判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值;
若判断出所述用户访问流量大于或等于监控阈值,根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。
2.根据权利要求1所述的网络用户的行为追踪方法,其特征在于,在所述采集所述事件判断模板中网站的访问数据和用户数据之后还包括:
根据所述网站的访问数据和用户数据生成设定时间段内的总流量或用户平均访问流量;
根据所述总流量和用户平均访问流量设定监控阈值,所述监控阈值为所述总流量平均值或用户平均访问流量平均值的N倍。
3.根据权利要求1所述的网络用户的行为追踪方法,其特征在于,所述根据所述网站的访问数据、用户数据及事件判断模板生成与所述事件判断模板中网站对应的有效用户数据集包括:
关联所述网站的访问数据和用户数据生成用户业务数据集,所述用户业务数据集包括访问记录、流量信息、用户标识、位置信息和访问时间;
根据所述事件判断模板对所述用户业务数据集进行过滤,生成与所述事件判断模板中网站对应的有效用户数据集。
4.根据权利要求1所述的网络用户的行为追踪方法,其特征在于,所述根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪包括:
根据处置策略对所述有效用户数据集进行分类生成分类结果,所述分类结果包括:非常积极参与用户类、积极参与用户类和一般参与用户类;
根据不同分类结果对应的跟踪方法对所述用户进行跟踪。
5.根据权利要求4所述的网络用户的行为追踪方法,其特征在于,所述根据处置策略对所述有效用户数据集进行分类生成分类结果包括:
选取两个不同时间段内的用户访问流量作为维度建立坐标系;
在所述坐标系中选取多个迭代质心,所述多个迭代质心表示不同的类别;
根据所述迭代质心对所述有效用户数据集中的有效用户进行多次迭代后生成分类结果。
6.一种网络用户的行为追踪平台,其特征在于,包括:
生成模块,用于根据历史事件数据和/或热点事件数据生成事件判断模板,所述事件判断模板包括事件类别、网站信息和关键词;
采集模块,用于采集与所述事件判断模板中网站信息对应的网站的访问数据和用户数据,所述网站的访问数据包括访问记录和流量信息,所述用户数据包括用户标识、位置信息和访问时间;
所述生成模块还用于根据所述网站的访问数据、用户数据及事件判断模板生成与所述事件判断模板中网站对应的有效用户数据集;
判断模块,用于判断网站在设定时间段内的用户访问流量是否大于或等于监控阈值;
跟踪模块,用于若所述判断模块判断出所述用户访问流量大于或等于监控阈值,根据预先生成的与所述网站对应的有效用户数据集对用户进行分类追踪。
7.根据权利要求6所述的网络用户的行为追踪平台,其特征在于,还包括设定模块;
所述生成模块还用于根据所述网站的访问数据和用户数据生成设定时间段内的总流量或用户平均访问流量;
所述设定模块,用于根据所述总流量和用户平均访问流量设定监控阈值,所述监控阈值为所述总流量平均值或用户平均访问流量平均值的N倍。
8.根据权利要求6所述的网络用户的行为追踪平台,其特征在于,所述生成模块具体用于关联所述网站的访问数据和用户数据生成用户业务数据集,所述用户业务数据集包括访问记录、流量信息、用户标识、位置信息和访问时间,根据所述事件判断模板对所述用户业务数据集进行过滤,生成与所述事件判断模板中网站对应的有效用户数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711250278.4A CN107995289B (zh) | 2017-12-01 | 2017-12-01 | 一种网络用户的行为追踪方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711250278.4A CN107995289B (zh) | 2017-12-01 | 2017-12-01 | 一种网络用户的行为追踪方法及平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107995289A CN107995289A (zh) | 2018-05-04 |
CN107995289B true CN107995289B (zh) | 2019-08-06 |
Family
ID=62035064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711250278.4A Active CN107995289B (zh) | 2017-12-01 | 2017-12-01 | 一种网络用户的行为追踪方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107995289B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516156B (zh) * | 2019-08-29 | 2023-03-17 | 深信服科技股份有限公司 | 一种网络行为监控装置、方法、设备和存储介质 |
CN113899982A (zh) * | 2021-09-22 | 2022-01-07 | 国网安徽省电力有限公司电力科学研究院 | 利用网络设备掉电复电数据研判低压电网停电复电的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902659A (zh) * | 2014-03-04 | 2014-07-02 | 深圳市至高通信技术发展有限公司 | 一种舆情分析方法及相应的装置 |
CN105022729A (zh) * | 2014-04-15 | 2015-11-04 | 中国移动通信集团河北有限公司 | 一种用户偏好确定方法及装置 |
CN106503160A (zh) * | 2016-10-31 | 2017-03-15 | 电信科学技术第五研究所 | 一种基于大数据平台实现对新闻管控的方法及装置 |
CN106789868A (zh) * | 2016-09-05 | 2017-05-31 | 中国人民财产保险股份有限公司 | 一种网站用户行为识别与管控系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102497362B (zh) * | 2011-12-07 | 2018-01-05 | 北京润通丰华科技有限公司 | 异常网络流量的攻击源追踪方法及装置 |
CN106656577B (zh) * | 2016-11-24 | 2019-07-09 | 中国通信建设集团设计院有限公司 | 一种app及浏览器的用户行为统计方法及智能路由器 |
-
2017
- 2017-12-01 CN CN201711250278.4A patent/CN107995289B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902659A (zh) * | 2014-03-04 | 2014-07-02 | 深圳市至高通信技术发展有限公司 | 一种舆情分析方法及相应的装置 |
CN105022729A (zh) * | 2014-04-15 | 2015-11-04 | 中国移动通信集团河北有限公司 | 一种用户偏好确定方法及装置 |
CN106789868A (zh) * | 2016-09-05 | 2017-05-31 | 中国人民财产保险股份有限公司 | 一种网站用户行为识别与管控系统 |
CN106503160A (zh) * | 2016-10-31 | 2017-03-15 | 电信科学技术第五研究所 | 一种基于大数据平台实现对新闻管控的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107995289A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956175B (zh) | 网页内容爬取的方法和装置 | |
CN105812177B (zh) | 一种网络故障处理方法和处理设备 | |
Watts | Small worlds: the dynamics of networks between order and randomness | |
CN103886047B (zh) | 面向流式数据的分布式在线推荐方法 | |
CN103905440B (zh) | 一种基于日志和snmp信息融合的网络安全态势感知分析方法 | |
CN104298782B (zh) | 互联网用户主动访问行为轨迹的分析方法 | |
CN107995289B (zh) | 一种网络用户的行为追踪方法及平台 | |
CN109040073A (zh) | 一种万维网异常行为访问的检测方法、装置、介质和设备 | |
Petrov et al. | Online political flashmob: The Case of 632305222316434 | |
CN107908645A (zh) | 一种基于渗流分析的在线社交平台谣言传播的免疫方法 | |
Shivaprasad et al. | Neuro-fuzzy based hybrid model for web usage mining | |
Peng et al. | The agent-based spatial simulation to the burglary in Beijing | |
Yu et al. | The Embedding of Sports Social Organizations in Rural Governance Based on the Collaborative Governance Model of Multiple Subjects | |
Mahmoud et al. | A regulative norms mining algorithm for complex adaptive system | |
Yang et al. | A graph temporal information learning framework for popularity prediction | |
CN106156364A (zh) | 一种基于时间流的计算新闻事件动态影响力的方法与系统 | |
Maivizhi et al. | A survey of tools for community detection and mining in social networks | |
Mboup et al. | Temporal networks based on human mobility models: A comparative analysis with real-world networks | |
Zeng et al. | What is social media platforms’ role in constructing “truth” around crisis events? A case study of Weibo’s rumour management strategies after the 2015 Tianjin blasts | |
Robertson et al. | Modelling character knowledge in plan-based interactive narrative to extend accomodative mediation | |
Feng et al. | Information diffusion efficiency in online social networks | |
CN105868315A (zh) | 一种基于遗忘规律的社会网络信息传播方法 | |
Vidović et al. | ANFIS based expert system for urban mobility estimation based on user's telecommunication activities in public mobile network | |
Dong et al. | Rumor Detection with Adversarial Training and Supervised Contrastive Learning | |
Shen | Sports Game Management Method Based on Intelligent Computer Computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |