商正儀，梁羽燕，薛建宇，陳 偉

(南京郵電大學(xué) 計(jì)算機(jī)學(xué)院，江蘇 南京 210046)

0 引 言

如今智能終端設(shè)備對于有線網(wǎng)絡(luò)基礎(chǔ)架構(gòu)的依賴逐漸減少，政府與企業(yè)也在大力推動建設(shè)城市公共場所的無線網(wǎng)絡(luò)，使得無線局域網(wǎng)成為用戶在固定場所下的最優(yōu)網(wǎng)絡(luò)解決方案。但公共場所的無線局域網(wǎng)保密措施較差，終端設(shè)備接入時(shí)可能引發(fā)的安全問題日益增多。密碼攻擊、腳本注入、會話劫持等惡意攻擊方式均可以截獲網(wǎng)絡(luò)中的數(shù)據(jù)流量，導(dǎo)致用戶個人信息遭到泄露[1-2]。因此，通過監(jiān)控網(wǎng)絡(luò)流量，對用戶行為進(jìn)行分析，可以在提高第三方服務(wù)商個性化服務(wù)質(zhì)量的同時(shí)，有效改善網(wǎng)絡(luò)運(yùn)行效率，為網(wǎng)絡(luò)提供更加優(yōu)質(zhì)的管理。

在任何無線網(wǎng)絡(luò)環(huán)境下，終端都扮演了一個重要的角色，其對防范用戶隱私泄露有重要的作用。已有研究表明，通過監(jiān)控智能終端定期發(fā)送的廣播探針請求可追蹤用戶[3]并分析用戶歷史行為[4]；利用Android終端采集無線局域網(wǎng)資源并與后臺服務(wù)器進(jìn)行數(shù)據(jù)交互，可實(shí)現(xiàn)對無線網(wǎng)絡(luò)的檢測與分析[5]。考慮到當(dāng)前終端應(yīng)用市場所呈現(xiàn)出的多樣化、細(xì)分化的局面，無線網(wǎng)絡(luò)中用戶的社會關(guān)系相對于傳統(tǒng)網(wǎng)絡(luò)社會關(guān)系更加具有高維復(fù)雜性、環(huán)境感知性、關(guān)系隱藏深等諸多特性。因此，實(shí)驗(yàn)在現(xiàn)有研究基礎(chǔ)上，引入近百種主流手機(jī)應(yīng)用的特征參數(shù)數(shù)據(jù)庫，實(shí)現(xiàn)還原用戶基于終端應(yīng)用的網(wǎng)絡(luò)行為，統(tǒng)計(jì)常規(guī)網(wǎng)絡(luò)信息，并分析用戶群體特征與行為特征，有助于改善用戶體驗(yàn)，創(chuàng)造用戶與第三方服務(wù)商的共贏局面。

文中首先分析了無線網(wǎng)絡(luò)機(jī)制下的數(shù)據(jù)采集技術(shù)和超文本傳輸協(xié)議，介紹了基于加權(quán)相似度的用戶行為分析方法；然后設(shè)計(jì)實(shí)驗(yàn)，給出實(shí)驗(yàn)數(shù)據(jù)并做出分析，驗(yàn)證方法的有效性；最后提出了對所用方法的改進(jìn)并總結(jié)了無線網(wǎng)絡(luò)的使用特點(diǎn)，為防范用戶隱私泄露提出了幾點(diǎn)建設(shè)性意見。

1 相關(guān)工作

1.1 無線局域網(wǎng)數(shù)據(jù)采集技術(shù)

無線局域網(wǎng)使用無線通信技術(shù)將計(jì)算機(jī)等多種網(wǎng)絡(luò)設(shè)備互聯(lián)起來，構(gòu)成可以實(shí)現(xiàn)數(shù)據(jù)通信與資源共享的網(wǎng)絡(luò)體系。通常由無線站點(diǎn)(station，STA)、無線接入點(diǎn)(access point，AP)以及一些相關(guān)網(wǎng)絡(luò)設(shè)備構(gòu)成。STA一般是指智能終端或者配備無線網(wǎng)卡的PC機(jī)等，AP是指無線路由器、無線網(wǎng)橋或者無線網(wǎng)關(guān)，在無線網(wǎng)絡(luò)中主要充當(dāng)交換機(jī)的角色。

無線局域網(wǎng)采用單元結(jié)構(gòu)，整個網(wǎng)絡(luò)系統(tǒng)被劃分成多個單元，每個單元被稱為基本服務(wù)集(basic service set，BSS)。每個BSS由一個AP控制，此AP負(fù)責(zé)該BSS下所有STA的接入認(rèn)證、網(wǎng)絡(luò)通信以及流量控制。每個BSS的AP通過分布式系統(tǒng)(distribution system，DS)相連，組成擴(kuò)展服務(wù)集(extended service set，ESS)，使得STA可以在ESS內(nèi)不同的BSS之間進(jìn)行漫游。

當(dāng)STA接入無線網(wǎng)絡(luò)后，AP會以廣播的形式進(jìn)行數(shù)據(jù)消息的交換，這使得BSS范圍內(nèi)所有的STA均可以收到數(shù)據(jù)報(bào)文。在正常工作模式下，網(wǎng)卡雖然能收到網(wǎng)絡(luò)中所有的數(shù)據(jù)報(bào)文，但需要將數(shù)據(jù)包的目的MAC地址與自身MAC地址進(jìn)行比對，相同才接收并進(jìn)行相應(yīng)處理，不相同則直接丟棄。而無線局域網(wǎng)下的數(shù)據(jù)采集技術(shù)是將網(wǎng)卡設(shè)置工作在射頻監(jiān)聽模式(混雜模式)，使得網(wǎng)卡可以接收網(wǎng)絡(luò)內(nèi)所有正在傳輸?shù)臄?shù)據(jù)包，而不能發(fā)送數(shù)據(jù)包[6]。為了獲得較好的移植性，文中采用WinPcap進(jìn)行數(shù)據(jù)采集[7]。WinPcap可以在內(nèi)核態(tài)直接對數(shù)據(jù)包進(jìn)行預(yù)處理，與把數(shù)據(jù)包從內(nèi)核中復(fù)制到用戶空間中再處理相比較，提高了數(shù)據(jù)采集的運(yùn)行性能。

1.2 超文本傳輸協(xié)議

現(xiàn)階段手機(jī)應(yīng)用與后臺服務(wù)在進(jìn)行數(shù)據(jù)通信時(shí)大多會選擇超文本傳輸協(xié)議(hypertext transfer protocol，HTTP)。HTTP協(xié)議作為應(yīng)用層的主要協(xié)議，采用請求/響應(yīng)模型來傳輸包括文本信息與多媒體信息在內(nèi)的所有資源。當(dāng)用戶向網(wǎng)站服務(wù)器請求服務(wù)時(shí)，只需要傳送請求方法以及資源的路徑，便可以獲得相應(yīng)的資源。

應(yīng)用協(xié)議所規(guī)定的唯一資源定位符(uniform resource locator，URL)格式為HTTP://主機(jī)[“:”端口][路徑]，其中HTTP是表示通過HTTP協(xié)議定位網(wǎng)絡(luò)資源，主機(jī)是表示因特網(wǎng)的主機(jī)域名或IP地址，端口是表示終端所使用的端口號，路徑則表示指定資源的路徑[8]。因此，分析數(shù)據(jù)包中的URL，對資源進(jìn)行重組，可以實(shí)現(xiàn)還原用戶搜索詞、用戶瀏覽信息、用戶訪問網(wǎng)站、用戶歷史記錄等多種用戶行為[9]。

1.3 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是指使用計(jì)算機(jī)程序來模擬人類學(xué)習(xí)的方式，獲取新知識、新規(guī)則或者新技能，如今已經(jīng)成為人工智能領(lǐng)域的一個重要組成部分。機(jī)器學(xué)習(xí)按照其學(xué)習(xí)形式，即數(shù)據(jù)集中經(jīng)驗(yàn)包含的情況，可以分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩種。監(jiān)督學(xué)習(xí)，需要對訓(xùn)練樣本集中的給定樣本提供確切的輸出結(jié)果，根據(jù)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，通常包含分類問題和回歸問題。非監(jiān)督學(xué)習(xí)，也成歸納學(xué)習(xí)，直接對無類別標(biāo)簽的數(shù)據(jù)樣本進(jìn)行識別，預(yù)測樣本類型，其中最典型的一類問題就是聚類問題。

聚類是將數(shù)據(jù)集分成若干個簇，要求在某種度量標(biāo)準(zhǔn)下同簇內(nèi)的相似度足夠大，而不同簇間的相似度足夠小。聚類根據(jù)數(shù)據(jù)間具有的某種潛在聯(lián)系或者相關(guān)性，對數(shù)據(jù)集進(jìn)行合理的組織以及摘要，便于發(fā)現(xiàn)數(shù)據(jù)集中的隱含信息。由于其具有的靈活性和自動化處理能力，廣泛應(yīng)用于搜索引擎、數(shù)字圖書館、數(shù)據(jù)分析等多個領(lǐng)域。文中采用高精度的K-means聚類算法，對用戶行為關(guān)鍵詞進(jìn)行文本聚類，實(shí)現(xiàn)對用戶行為的分析。

2 基于加權(quán)相似度的用戶行為分析方法

互聯(lián)網(wǎng)具有用戶群體廣泛、用戶行為活躍、用戶記錄完整等多種社會特性，這為研究社會網(wǎng)絡(luò)中的社會群體提供了一個較為理想的環(huán)境。網(wǎng)絡(luò)用戶行為包括用戶在網(wǎng)絡(luò)上發(fā)生的所有行為，如瀏覽、點(diǎn)評、搜索、社交媒體上的交流、購物趨向、收藏等[10]。本實(shí)驗(yàn)主要是從搜索詞、應(yīng)用使用類型和網(wǎng)站瀏覽信息三個維度來描述用戶行為，搜索詞是指用戶在搜索引擎中搜過的詞句，應(yīng)用使用類型是指用戶使用各類型應(yīng)用所占的比重，網(wǎng)站瀏覽信息是指用戶所訪問的網(wǎng)站及其瀏覽的信息。

為了從上述三個維度描述用戶，實(shí)驗(yàn)歸納得到了不同應(yīng)用對不同行為下URL的編碼規(guī)則，并將這些規(guī)則導(dǎo)入特征參數(shù)數(shù)據(jù)庫，使其作為匹配、解碼并提取用戶行為關(guān)鍵詞的工具。特征參數(shù)數(shù)據(jù)庫涵蓋市場主流的近百種應(yīng)用，文中將其分為表1所示的8類。這8類應(yīng)用從性質(zhì)、關(guān)注人群和側(cè)重點(diǎn)上均有所不同，所還原的用戶網(wǎng)絡(luò)行為、各類資源的關(guān)注程度、使用流量類型具有代表性，能夠反映出個性用戶群體的不同需求，從而有效地掌控全局用戶的宏觀行為。

表1 應(yīng)用類型及示例

特征參數(shù)數(shù)據(jù)庫中的每一條記錄由應(yīng)用名、行為類型、主機(jī)地址、路徑格式、特征參數(shù)以及編碼類型構(gòu)成。通過在不同類型終端下的多次測試，數(shù)據(jù)庫準(zhǔn)確記錄下同種網(wǎng)絡(luò)行為的多種參數(shù)。表2給出了部分瀏覽器類應(yīng)用的特征參數(shù)記錄。以百度引擎為例，當(dāng)用戶使用百度引擎搜索某個關(guān)鍵詞時(shí)，可以將URL與數(shù)據(jù)庫中記錄進(jìn)行匹配，一旦匹配成功，便可用對應(yīng)編碼類型來解碼特征參數(shù)后字符串，從而實(shí)現(xiàn)還原用戶搜索詞。

表2 瀏覽器類常用特征參數(shù)

基于加權(quán)相似度的用戶行為分析方法的核心是挖掘同一網(wǎng)絡(luò)下的用戶之間的隱性連接關(guān)系和潛在興趣趨向。此方法將改進(jìn)后的詞頻-逆文檔頻率(term frequency-inverse document frequency，TF-IDF)與高精度的K-means聚類算法相結(jié)合，可將用戶劃分為聯(lián)系更加緊密的團(tuán)體。

TF-IDF用來評估每個用戶行為關(guān)鍵詞對于整個數(shù)據(jù)集(全體用戶行為關(guān)鍵詞)的重要性，其核心思想是：關(guān)鍵詞的重要性隨著它在單個用戶文本矩陣中(對單個用戶行為關(guān)鍵詞切分、去除停頓詞后形成的矩陣)出現(xiàn)的次數(shù)呈正比增加，但會隨著它在整個數(shù)據(jù)集中出現(xiàn)的頻率呈反比下降。通過計(jì)算用戶文本矩陣中所有關(guān)鍵詞的TF，可形成代表用戶的詞頻向量，從而將對用戶文本矩陣相似度的計(jì)算轉(zhuǎn)化為對用戶詞頻向量的計(jì)算。數(shù)學(xué)中常用余弦相似度來測量兩個向量之間的夾角，因此改進(jìn)后的余弦IDF值可以表示為：

實(shí)驗(yàn)聚類部分選擇了基于劃分的非監(jiān)督K-means聚類算法。該算法先將數(shù)據(jù)集劃分成若干個分組并初始化每個分組的簇中心，然后通過計(jì)算同一分組內(nèi)每個點(diǎn)到簇中心的距離，不斷改變分組直至方差達(dá)到最小標(biāo)準(zhǔn)，實(shí)現(xiàn)將數(shù)據(jù)集劃分為K組具有相似實(shí)例的簇[12]。作為非監(jiān)督聚類算法，盡管K-means算法對大規(guī)模文本處理的精度比其他聚類算法較高，但是其關(guān)于K值以及初始化聚類中心點(diǎn)的選取仍會直接影響到聚類的優(yōu)劣程度。針對K值的選取問題，文中使用肘部法則，而對初始化聚類中心點(diǎn)的選取，則采用了K-Center算法，使所有球型聚類簇的最大半徑最小化，以獲得更優(yōu)的初始中心。

綜上，基于加權(quán)相似度用戶行為分析方法可以歸納為三步：第一步，匹配特征參數(shù)數(shù)據(jù)庫，對用戶應(yīng)用層網(wǎng)絡(luò)行為進(jìn)行還原；第二步，使用改進(jìn)后的加權(quán)相似度TF-IDF計(jì)算用戶間相似度；第三步，對用戶進(jìn)行聚類，進(jìn)行用戶簇內(nèi)與簇間的綜合比較。該方法符合當(dāng)前用戶依賴終端應(yīng)用上網(wǎng)的現(xiàn)狀，可獲得對單一用戶、用戶群體與全局用戶較為貼切的分析。

3 實(shí)驗(yàn)設(shè)計(jì)及數(shù)據(jù)分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)在南京郵電大學(xué)公共無線網(wǎng)環(huán)境下，利用Winpcap網(wǎng)絡(luò)開發(fā)包啟動無線網(wǎng)卡的混雜模式進(jìn)行監(jiān)聽，捕獲網(wǎng)絡(luò)中應(yīng)用層HTTP協(xié)議數(shù)據(jù)包。由于用戶行為存在偶然性，不能單純地使用某天某時(shí)的數(shù)據(jù)片面地定位用戶，實(shí)驗(yàn)設(shè)定在學(xué)校固定時(shí)段固定地點(diǎn)進(jìn)行長期性的數(shù)據(jù)采集。對于采集得到的數(shù)據(jù)包，提取其有效信息寫成一條記錄存入網(wǎng)絡(luò)日志，供后續(xù)程序讀取。日志格式設(shè)置如下：源IP地址@#目的IP地址@#源MAC地址@#目的MAC地址@#源端口@#目的端口@#Url@#Cookie@#轉(zhuǎn)移地址Refer@#時(shí)間@#數(shù)據(jù)長度。

考慮到每個AP都會使用動態(tài)主機(jī)配置協(xié)議(dynamic host configuration protocol，DHCP)來為用戶分配IP，即當(dāng)終端接入無線局域網(wǎng)時(shí)，AP會從固有IP地址池中分配一個IP地址供用戶使用，當(dāng)用戶退出網(wǎng)絡(luò)時(shí)，AP會回收此IP并重新分配給其他用戶。因此，實(shí)驗(yàn)使用終端唯一的MAC地址來過濾網(wǎng)絡(luò)日志，從而達(dá)到了標(biāo)識用戶的目標(biāo)。

文中通過Python語言實(shí)現(xiàn)基于加權(quán)相似度的用戶行為分析方法。使用jieba分詞庫提供的精確分詞模式合理切分詞句并去除停頓詞，完成用戶文本矩陣的構(gòu)造；使用sklearn庫完成TF-IDF相似度計(jì)算、K-means聚類以及PCA降維工作；使用matplotlib繪圖庫完成對實(shí)驗(yàn)結(jié)果可視化的繪圖工作。

3.2 數(shù)據(jù)分析

通過過濾和篩選，實(shí)驗(yàn)的數(shù)據(jù)集共涵蓋129名用戶在內(nèi)的10 492條日志記錄，每名用戶的數(shù)據(jù)記錄均超過60條，并涉及多類應(yīng)用，能夠從三個維度上較為準(zhǔn)確地定位用戶。

作為非監(jiān)督聚類算法，K-means算法的聚類效果直接取決于K值的選取，文中使用了肘部法則(elbow method)來解決這一問題[13]。肘部法則是在K值依次確定(K=1,2,3…)的條件下，計(jì)算所有樣本的畸變函數(shù)(樣本點(diǎn)到其所在簇中心距離的標(biāo)準(zhǔn)平方和)，然后將這些值連成一條曲線，如圖1所示。隨著K值的增多，簇?cái)?shù)的增加會導(dǎo)致曲線總體呈下降趨勢，但會從某個位置開始下降得較為緩慢，如圖中K=4的位置，此處代表曲線的“肘”點(diǎn)，意味著達(dá)到最佳聚類。因此，實(shí)驗(yàn)選取K=4，將整個用戶群體劃分為4類。

圖1 K值的選取曲線

為便于將分析結(jié)果可視化，實(shí)驗(yàn)程序中使用PCA將多維數(shù)據(jù)降至二維，得到如圖2所示的用戶簇分布圖。圖中每一個點(diǎn)均代表一位用戶，每個點(diǎn)的位置是根據(jù)用戶間相似度得出的相對位置。觀察可得，圖中有4個較為集中的簇，簇與簇之間較為獨(dú)立，用不同符號代表的每個簇均可代表一類具有相似興趣愛好的用戶群體。

表3給出了4位簇中心用戶的部分文本矩陣，將表3與圖2共同進(jìn)行分析，可得到以下結(jié)論：

(1)就網(wǎng)絡(luò)用戶興趣愛好進(jìn)行分類，該數(shù)據(jù)集將所有用戶劃分成四類，分別是：影視娛樂類用戶、綜合類用戶、時(shí)事新聞類用戶和學(xué)術(shù)研究類用戶。

(2)在各類用戶文本矩陣中均存在類似于南京郵電大學(xué)主頁、查詢課程、教務(wù)處一類的關(guān)鍵詞，這類關(guān)鍵詞屬于整體用戶集的共同特性。從聚類圖中可以看出，這些關(guān)鍵詞對聚類影響不大，所占權(quán)重較低，符合TF-IDF核心思想。

(3)圖中綜合類用戶簇的位置處于其余三類用戶簇的中間，比較綜合類用戶與其余三類用戶的文本矩陣可發(fā)現(xiàn)均存在部分重疊，因此聚類圖基本體現(xiàn)出數(shù)據(jù)集全體用戶之間的隱形關(guān)系與潛在興趣趨向，能夠?qū)W(wǎng)絡(luò)進(jìn)行綜合性掌控。

圖2 K-means聚類

用戶MAC地址標(biāo)記符號用戶文本矩陣SamsungE_bc:0f:XX■騰訊網(wǎng)騰訊視頻熱門影視發(fā)布會搖一搖歡樂頌劉濤海瑟薇計(jì)算機(jī)六級南郵教務(wù)處97:65:e6:03:49:XX★百度山水圖片百度文庫課程格子零食音悅臺習(xí)題答案高數(shù)創(chuàng)新阿里巴巴導(dǎo)航耳釘淘寶Apple_1b:15:XX×新浪新聞騰訊體育NBA全明星今日頭條ofo課程格子川普總統(tǒng)收購Google銀行柴靜Apple_a9:c9:XX+微信當(dāng)當(dāng)人間失格百年孤獨(dú)試卷追書神器左耳搖一搖有機(jī)電子 建模復(fù)試實(shí)驗(yàn)MATLAB

為評判聚類結(jié)果，實(shí)驗(yàn)根據(jù)用戶文本矩陣人工對用戶進(jìn)行劃分，并將所得數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)進(jìn)行比較。對比發(fā)現(xiàn)，在上述四類用戶簇中存在聚類的偏差，各類用戶簇的準(zhǔn)確度分別為81.25%、85.71%、78.13%以及91.67%。綜上，整體聚類實(shí)驗(yàn)結(jié)果的準(zhǔn)確性可達(dá)84.49%。

文中將實(shí)驗(yàn)結(jié)果通過友好的可視化圖形展現(xiàn)出來，明確了不同網(wǎng)絡(luò)用戶人群的使用習(xí)慣及特征，這對未來管理、優(yōu)化網(wǎng)絡(luò)打下了良好的基礎(chǔ)。同時(shí)，實(shí)驗(yàn)結(jié)論與所用方法的核心相一致，使得該方法的合理性以及有效性得到驗(yàn)證。

4 結(jié)束語

文中基于加權(quán)相似度的用戶行為分析方法能夠?qū)Ξ?dāng)前網(wǎng)絡(luò)環(huán)境進(jìn)行全面監(jiān)控以及分析，但同時(shí)其還原用戶網(wǎng)絡(luò)行為部分仍存在數(shù)據(jù)庫不夠完善，以至于不能成功匹配的情況。該部分內(nèi)容可進(jìn)一步通過長期的測試配合解密技術(shù)，擴(kuò)充數(shù)據(jù)庫內(nèi)特征參數(shù)記錄，解決還原失敗的問題。實(shí)驗(yàn)還可以引入用戶軌跡、用戶定位等其他行為因素，加強(qiáng)用戶群體的社會性分析。

此外，實(shí)驗(yàn)分析結(jié)果表明，在公共無線網(wǎng)絡(luò)環(huán)境下用戶的隱私安全并不能得到保障。由于惡意用戶在公共網(wǎng)絡(luò)下更容易實(shí)施攻擊，用戶需注意所接入網(wǎng)絡(luò)是否為釣魚接入點(diǎn)并注意在公共網(wǎng)絡(luò)下不要對陌生軟件進(jìn)行授權(quán)，必要時(shí)用戶可減少公共網(wǎng)絡(luò)的使用頻率。隨著無線網(wǎng)絡(luò)的不斷發(fā)展，該方法不僅可以為用戶提供更加貼切的個性化服務(wù)，還可以擴(kuò)展至網(wǎng)絡(luò)定位[14]、網(wǎng)絡(luò)監(jiān)控[15]以及網(wǎng)絡(luò)取證[16]等方面，對防范用戶隱私的泄露和構(gòu)建更加安全的局域網(wǎng)具有實(shí)際意義。

[1] 任 偉.無線網(wǎng)絡(luò)安全問題初探[J].信息網(wǎng)絡(luò)安全，2012(1)：10-13.

[2] 朱建明，馬建峰.無線局域網(wǎng)安全：方法與技術(shù)[M].第2版.北京：機(jī)械工業(yè)出版社,2009.

[3] MUSA A B,ERIKSSON J.Tracking unmodified smartphones using Wi-Fi monitors[C]//ACM conference on embedded network sensor systems.Toronto:ACM,2012:281-294.

[4] CUNCHE M,KAAFAR M A,BORELI R.I know who you will meet this evening! Linking wireless devices using Wi-Fi probe requests[C]//World of wireless,mobile and multimedia networks.[s.l.]:IEEE,2012:1-9.

[5] 趙世功.基于移動終端的無線局域網(wǎng)資源監(jiān)測與分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2015.

[6] 王智明.無線局域網(wǎng)數(shù)據(jù)監(jiān)聽系統(tǒng)設(shè)計(jì)[D].北京：北京郵電大學(xué)，2012.

[7] AN X G,LU X F.Packet capture and protocol analysis based on Winpcap[C]//International conference on robots & intelligent system.[s.l.]:IEEE,2016:272-275.

[8] RESCHKE J.Use of the content-disposition header field in the hypertext transfer protocol(HTTP)[R].[s.l.]:[s.n.],2011.

[9] 董志安，呂學(xué)強(qiáng).基于百度搜索日志的用戶行為分析[J].計(jì)算機(jī)應(yīng)用與軟件，2013，30(7)：17-20.

[10] 毛佳昕，劉奕群，張 敏，等.基于用戶行為的微博用戶社會影響力分析[J].計(jì)算機(jī)學(xué)報(bào)，2014，37(4)：791-800.

[11] CHENG N N,MOHAPATRA P,CUNCHE M.Inferring user relationship from hidden information in WLANs[C]//Military communications conference.[s.l.]:IEEE,2012:1-6.

[12] 翟東海，魚 江，高 飛，等.最大距離法選取初始簇中心的K-means文本聚類算法的研究[J].計(jì)算機(jī)應(yīng)用研究，2014，31(3):713-715.

[13] BHOLOWALIA P,KUMAR A.EBK-means:a clustering technique based on elbow method and k-means in WSN[J].International Journal of Computer Application,2014,105:17-24.

[14] 孫善武，王 楠，陳 堅(jiān).一種改進(jìn)的基于信號強(qiáng)度的WLAN定位方法[J].計(jì)算機(jī)科學(xué)，2014，41(6)：99-103.

[15] 胡曉婭，曹連杰.無線局域網(wǎng)背景下的電子郵件監(jiān)控系統(tǒng)研究[J].計(jì)算機(jī)工程與科學(xué)，2010，32(2)：63-66.

[16] 胡東輝,夏東冉,史昕嶺,等.網(wǎng)絡(luò)取證技術(shù)研究[J].計(jì)算機(jī)科學(xué),2015,42(10A):1-22.