李艷

摘? 要： 基于數(shù)據(jù)挖掘算法的移動(dòng)電子商務(wù)群體用戶訪問(wèn)控制模型，挖掘群體用戶在移動(dòng)電子商務(wù)網(wǎng)絡(luò)中的頻繁瀏覽頁(yè)面，提高用戶訪問(wèn)控制精確度。先通過(guò)MFP數(shù)據(jù)挖掘算法獲取用戶最大向前引用序列，通過(guò)用戶最大向前引用序列建立基于數(shù)據(jù)挖掘算法的用戶訪問(wèn)控制模型，模型中的事件產(chǎn)生器接收最大向前引用序列數(shù)據(jù)后，事件分析處理器利用決策樹(shù)的貪心算法創(chuàng)建序列數(shù)據(jù)決策樹(shù)，通過(guò)屬性選擇度量算法形成多重分類器分類序列數(shù)據(jù)，響應(yīng)單元在接收序列數(shù)據(jù)為正常數(shù)據(jù)時(shí)輸出相應(yīng)值且同意用戶訪問(wèn)，在接收序列數(shù)據(jù)為異常數(shù)據(jù)時(shí)抑制序列數(shù)據(jù)并拒絕用戶訪問(wèn)。實(shí)驗(yàn)結(jié)果表明，該模型在并發(fā)用戶數(shù)量為200人時(shí)，再次登錄的響應(yīng)時(shí)間僅為524 ms，可有效控制移動(dòng)電子商務(wù)群體用戶對(duì)于網(wǎng)站的訪問(wèn)響應(yīng)時(shí)間，在移動(dòng)電子商務(wù)網(wǎng)站3 500條信息中攔截危險(xiǎn)訪問(wèn)信息準(zhǔn)確率高達(dá)95%以上。

關(guān)鍵詞： 訪問(wèn)控制模型; 數(shù)據(jù)挖掘算法; 移動(dòng)電子商務(wù); 群體用戶; 事件產(chǎn)生器; 多重分類器

中圖分類號(hào)： TN919?34; TP311? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）04?0153?04

Data mining algorithm based access control model for users of mobile

e?commerce community

LI Yan

（College of Business， Shanxi University， Taiyuan 030031， China）

Abstract： The data mining algorithm based access control model for users of mobile e?commerce community can mine the frequent browsing pages of community users in the mobile e?commerce network and improve the accuracy of user access control. The maximum forward reference sequence of users is obtained by means of the MFP data mining algorithm， by which user access control model based on the data mining algorithm is established. After the event generator in the model receives the maximum forward reference sequence data， and then sequence data decision tree is created by means of the decision tree greedy algorithm used in the event analysis processor. The multiple classifier classification sequence data is formed by means of the attribute selection measurement algorithm. The response unit outputs the corresponding values and agrees with user access when the sequence data is accepted as normal data， and restrains sequence data and refuses user access when the sequence data is accepted as abnormal data. The experimental results show that when the number of concurrent users is 200， the response time of re?login is only 524 ms， which can effectively control the response time to access websites of mobile e?commerce community users. The accuracy of intercepting dangerous access information is 95% in 3500 messages of mobile e?commerce websites.

Keywords： access control model; data mining algorithm; mobile e?commerce; group users; event generator; multiple classifiers

0? 引? 言

近年來(lái)，隨著科技的高速發(fā)展以及各種智能化設(shè)備誕生，移動(dòng)電子商務(wù)作為互聯(lián)網(wǎng)背景下的衍生品發(fā)展迅速[1]。移動(dòng)電子商務(wù)是基于移動(dòng)通信設(shè)備的一種電子商務(wù)形式[2?3]。

數(shù)據(jù)挖掘是指從大量待挖掘數(shù)據(jù)中尋找相關(guān)性，利用數(shù)據(jù)間關(guān)聯(lián)提取有效信息的方法[4?5]。移動(dòng)電子商務(wù)群體訪問(wèn)量巨大，網(wǎng)絡(luò)需要處理大批量數(shù)據(jù)，一些不法分子利用移動(dòng)電子商務(wù)進(jìn)行網(wǎng)絡(luò)詐欺、竊取用戶信息等。若移動(dòng)電子商務(wù)中用戶訪問(wèn)控制模型不夠高效，會(huì)造成分類準(zhǔn)確性低、不夠安全等弊端[6]。為解決以上問(wèn)題，提出基于數(shù)據(jù)挖掘算法的移動(dòng)電子商務(wù)群體用戶訪問(wèn)控制模型。該模型將數(shù)據(jù)挖掘技術(shù)應(yīng)用于用戶訪問(wèn)控制模型中，先通過(guò)數(shù)據(jù)技術(shù)挖掘移動(dòng)電子商務(wù)群體的最大向前引用序列，再依據(jù)該序列建立用戶訪問(wèn)控制模型控制用戶訪問(wèn)[7]，可有效控制危險(xiǎn)信息在移動(dòng)電子商務(wù)網(wǎng)絡(luò)中蔓延。

1? 移動(dòng)電子商務(wù)群體用戶訪問(wèn)控制模型

1.1? 移動(dòng)電子商務(wù)群體用戶訪問(wèn)模式挖掘

圖1為移動(dòng)電子商務(wù)群體用戶瀏覽行為圖示。網(wǎng)站頁(yè)面由A，B，C等節(jié)點(diǎn)表示，群體用戶瀏覽頁(yè)面集合用{ABCD，ABDGH}表示。用戶瀏覽行為主要分為同一用戶在不同時(shí)間內(nèi)瀏覽頁(yè)面集合及相同時(shí)間內(nèi)不同用戶瀏覽頁(yè)面集合[8]。

移動(dòng)電子商務(wù)群體用戶在電子商務(wù)網(wǎng)站中利用網(wǎng)頁(yè)間超鏈接與點(diǎn)擊瀏覽網(wǎng)站頁(yè)面實(shí)現(xiàn)網(wǎng)頁(yè)前進(jìn)與后退[9]。圖2為移動(dòng)電子商務(wù)群體用戶在移動(dòng)電子商務(wù)網(wǎng)站中的訪問(wèn)路徑圖。

通過(guò)圖2可挖掘用戶在移動(dòng)電子商務(wù)網(wǎng)站中的最大向前引用序列。圖2中用戶在移動(dòng)電子商務(wù)網(wǎng)站中訪問(wèn)過(guò)程為：{AB，C，D，C，B，EG，AHUV，U，HV}。

利用MFP數(shù)據(jù)挖掘算法可知該移動(dòng)電子商務(wù)網(wǎng)站中最大向前引用是{ABCD，ABEG，AHUV，AHW}，通過(guò)圖1所示可對(duì)用戶瀏覽頁(yè)面展示。若瀏覽頁(yè)面為新訪問(wèn)頁(yè)面，起始頁(yè)面為空節(jié)點(diǎn)，設(shè)用戶訪問(wèn)序列為{（[s1]，[d1]），（[s2]，[d2]），…，（[sn]，[dn]）}，通過(guò)訪問(wèn)序列獲取網(wǎng)站最大向前引用。依據(jù)瀏覽者ID將log內(nèi)的訪問(wèn)數(shù)據(jù)重新排列，獲取新訪問(wèn)序列{（[s1]，[d1]），（[s2]，[d2]），…，（[sn]，[dn]）}，（[si]，[di]）需滿足訪問(wèn)者的時(shí)間序列，瀏覽者的最大向前引用利用MFP算法可得。

通過(guò)該算法獲取圖2訪問(wèn)路徑圖的網(wǎng)頁(yè)最大向前引用序列，建立用戶訪問(wèn)控制模型，對(duì)移動(dòng)電子商務(wù)群體用戶訪問(wèn)進(jìn)行有效控制。

1.2? 基于數(shù)據(jù)挖掘算法的用戶訪問(wèn)控制模型

基于數(shù)據(jù)挖掘算法的用戶訪問(wèn)控制模型見(jiàn)圖3。

從圖3可看出，該用戶訪問(wèn)控制模型的核心部分為事件分析處理器，事件產(chǎn)生器接收最大向前引用序列數(shù)據(jù)后，事件分析處理器利用決策樹(shù)的貪心算法對(duì)序列數(shù)據(jù)進(jìn)行處理，貪心算法按照從上至下?lián)羝七f歸步驟創(chuàng)建決策樹(shù)。通過(guò)屬性選擇度量算法形成多重分類器，分類正常和異常序列數(shù)據(jù)，響應(yīng)單元在接收序列數(shù)據(jù)為正常數(shù)據(jù)時(shí)輸出相應(yīng)數(shù)據(jù)且同意用戶訪問(wèn)，在接收序列為異常數(shù)據(jù)時(shí)抑制序列數(shù)據(jù)并拒絕用戶訪問(wèn)[10]。

2? 實(shí)驗(yàn)分析

為檢測(cè)本文模型對(duì)移動(dòng)電子商務(wù)群體用戶訪問(wèn)控制情況，在OPNET仿真平臺(tái)中進(jìn)行仿真模擬實(shí)驗(yàn)，并將本文模型實(shí)驗(yàn)結(jié)果與HDFS訪問(wèn)控制模型以及個(gè)性化訪問(wèn)控制模型實(shí)驗(yàn)結(jié)果進(jìn)行比較。

對(duì)于移動(dòng)電子商務(wù)群體用戶來(lái)說(shuō)，初次訪問(wèn)時(shí)系統(tǒng)身份認(rèn)證響應(yīng)時(shí)間直接影響用戶的使用體驗(yàn)，驗(yàn)證并發(fā)用戶數(shù)為200人時(shí)，三種模型所控制的移動(dòng)電子商務(wù)網(wǎng)站響應(yīng)時(shí)間的仿真實(shí)驗(yàn)結(jié)果如圖4所示。

通過(guò)圖4可看出，隨著并發(fā)用戶數(shù)量增加，網(wǎng)站響應(yīng)時(shí)間有所提升，本文模型控制的移動(dòng)電子商務(wù)網(wǎng)站響應(yīng)時(shí)間最短，在并發(fā)用戶數(shù)量為200人時(shí)，響應(yīng)時(shí)間僅為811 ms，低于HDFS模型與個(gè)性化模型214 ms與313 ms。

在并發(fā)用戶數(shù)量為200人時(shí)，對(duì)用戶再次訪問(wèn)移動(dòng)電子商務(wù)網(wǎng)站進(jìn)行仿真實(shí)驗(yàn)。三種模型的仿真實(shí)驗(yàn)結(jié)果見(jiàn)圖5。

通過(guò)圖5可看出，群體用戶再次登錄時(shí)，網(wǎng)絡(luò)響應(yīng)時(shí)間相比初次登錄時(shí)有所下降。本文模型在并發(fā)用戶數(shù)量為200人時(shí)，再次登錄響應(yīng)時(shí)間僅為524 ms，說(shuō)明本文模型可有效控制移動(dòng)電子商務(wù)群體用戶對(duì)網(wǎng)站的訪問(wèn)響應(yīng)時(shí)間。

在仿真平臺(tái)中輸入“is”“mkdir”“put”“cat”“clothes”五個(gè)移動(dòng)電子商務(wù)群體常用的命令，通過(guò)仿真平臺(tái)比較三種模型的控制性能，三種模型控制的移動(dòng)電子商務(wù)網(wǎng)站中對(duì)5個(gè)常用命令的分類正確率如圖6所示。

通過(guò)圖6可看出，本文模型對(duì)于5個(gè)輸入指令分類的正確率均在95%以上，而另外兩種模型對(duì)于輸入指令的分類正確率較低，說(shuō)明本文模型能對(duì)輸入命令進(jìn)行有效分類，可有效減輕輸入命令集群造成的網(wǎng)站運(yùn)行負(fù)擔(dān)。

在采用三種模型控制的移動(dòng)電子商務(wù)網(wǎng)站中輸入五個(gè)常用命令的執(zhí)行時(shí)間如圖7所示。

通過(guò)圖7可看出，本文模型控制的移動(dòng)電子商務(wù)網(wǎng)站對(duì)于常用命令執(zhí)行時(shí)間較短。在仿真平臺(tái)中重復(fù)步驟500次，三種模型的響應(yīng)時(shí)間結(jié)果見(jiàn)表1。

通過(guò)表1可看出，對(duì)于跨域單點(diǎn)登錄功能，本文模型控制的移動(dòng)電子商務(wù)網(wǎng)站在相對(duì)于另兩種模型控制的電子商務(wù)網(wǎng)站用時(shí)較短，說(shuō)明本文模型在長(zhǎng)時(shí)間的工作中，跨域單點(diǎn)登錄功能較強(qiáng)。

在仿真平臺(tái)中將本文模型與個(gè)性化和HDFS模型相對(duì)比，檢測(cè)三種模型對(duì)危險(xiǎn)訪問(wèn)信息控制情況，結(jié)果見(jiàn)表2。

通過(guò)表2可看出，本文模型可有效攔截移動(dòng)電子商務(wù)網(wǎng)絡(luò)中危險(xiǎn)信息，在3 500條信息中攔截危險(xiǎn)訪問(wèn)信息準(zhǔn)確率高達(dá)95%以上，可有效提升移動(dòng)電子商務(wù)網(wǎng)絡(luò)中的安全性，驗(yàn)證了本文模型的安全性提高效果。

為檢測(cè)本文模型的適用應(yīng)用環(huán)境，將本文模型與多種用戶訪問(wèn)控制模型進(jìn)行特性對(duì)比，對(duì)比結(jié)果見(jiàn)表3。

通過(guò)表3可看出，對(duì)于多種用戶控制模型來(lái)說(shuō)，本文模型具有時(shí)態(tài)性、行為性與角色等多種方面特性，為移動(dòng)電子商務(wù)網(wǎng)絡(luò)提供更優(yōu)質(zhì)的服務(wù)與更好的隱私保護(hù)。

3? 結(jié)? 論

近年來(lái)，移動(dòng)電子商務(wù)發(fā)展迅速，對(duì)人們的生產(chǎn)以及生活產(chǎn)生了極大影響。本文研究的基于數(shù)據(jù)挖掘算法的移動(dòng)電子商務(wù)群體用戶訪問(wèn)控制模型可突出移動(dòng)電子不受空間與時(shí)間限制，增強(qiáng)移動(dòng)電子商務(wù)網(wǎng)站安全性。挖掘群體用戶在移動(dòng)電子商務(wù)網(wǎng)絡(luò)中頻繁瀏覽頁(yè)面，通過(guò)數(shù)據(jù)挖掘獲取移動(dòng)電子商務(wù)網(wǎng)站中最大向前引用序列，利用最大向前引用序列建立用戶訪問(wèn)控制模型，在不影響控制精度的前提下，加快網(wǎng)站響應(yīng)速度以及安全性，避免移動(dòng)電子商務(wù)網(wǎng)站受非法用戶的瀏覽與修改。實(shí)驗(yàn)結(jié)果表明，該模型控制的移動(dòng)電子商務(wù)網(wǎng)站響應(yīng)時(shí)間較快，是一種有效的訪問(wèn)控制模型。

參考文獻(xiàn)

[1] 張逸凡，趙斌，孫鴻艷，等.基于時(shí)空軌跡的移動(dòng)對(duì)象匯聚模式挖掘算法[J].數(shù)據(jù)采集與處理，2018，33（3）：103?111.

[2] 金濤，鄭紫微，陳平順，等.基于Android終端與數(shù)據(jù)挖掘的FMIPv6切換算法[J].計(jì)算機(jī)應(yīng)用研究，2016，33（4）：1224?1227.

[3] 史文浩，江國(guó)華，秦小麟，等.基于用戶信任值的HDFS訪問(wèn)控制模型研究[J].計(jì)算機(jī)科學(xué)與探索，2016，10（1）：25?35.

[4] 杜巍，高長(zhǎng)元.移動(dòng)電子商務(wù)環(huán)境下個(gè)性化情景推薦模型研究[J].情報(bào)理論與實(shí)踐，2017，40（10）：60?65.

[5] 肖會(huì)敏，祝曉夢(mèng).移動(dòng)電子商務(wù)視域下用戶滿意度影響因素研究及實(shí)證分析[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2018，48（7）：147?155.

[6] 印凱澤，汪海航.基于CP?ABE的多云存儲(chǔ)系統(tǒng)中訪問(wèn)控制模型的研究[J].計(jì)算機(jī)科學(xué)，2016，43（9）：165?168.

[7] 李欣穎，徐愷英，馮揚(yáng).O2O模式移動(dòng)商務(wù)消費(fèi)者采納行為分析：兩個(gè)理論模型的比較[J].情報(bào)理論與實(shí)踐，2018，41（4）：112?116.

[8] 劉宇涵，韋恒.移動(dòng)電子商務(wù)環(huán)境下顧客消費(fèi)體驗(yàn)對(duì)購(gòu)買決策的影響：以北京消費(fèi)者市場(chǎng)為例[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2017，19（4）：134?140.

[9] 李君昌，樊重俊，楊云鵬，等.基于系統(tǒng)動(dòng)力學(xué)的移動(dòng)電子商務(wù)產(chǎn)業(yè)演化研究[J].科技管理研究，2018，38（3）：168?178.

[10] 葉藝勇.移動(dòng)電子商務(wù)消費(fèi)者交易信任度評(píng)估仿真研究[J].計(jì)算機(jī)仿真，2017，34（8）：247?250.