崔融融

（大同煤炭職業(yè)技術(shù)學(xué)院，山西 運(yùn)城 037003）

在企業(yè)信息系統(tǒng)的運(yùn)行過程中，用戶的異常行為不僅會(huì)影響系統(tǒng)中正常用戶的行為模式，同時(shí)，還會(huì)影響整個(gè)系統(tǒng)的穩(wěn)定運(yùn)行。當(dāng)前，隨著企業(yè)系統(tǒng)的應(yīng)用逐漸深入，用戶的異常行為造成的威脅程度也逐漸加劇，嚴(yán)重者甚至?xí)绊懙接脩舻墓ぷ髻|(zhì)量及效率，造成較大的經(jīng)濟(jì)損失，并威脅整個(gè)企業(yè)的穩(wěn)定、安全及發(fā)展。近年來，企業(yè)違規(guī)金額損失事故時(shí)常發(fā)生，最主要的原因是內(nèi)部員工在使用企業(yè)信息系統(tǒng)的過程中存在異常行為，并且這一部分比例占所有導(dǎo)致企業(yè)違規(guī)金額損失事故行為超過一半。因此，針對(duì)這一問題，相關(guān)領(lǐng)域的研究人員對(duì)此開展了更加深入的研究，并且這一問題也逐漸成為業(yè)界和學(xué)術(shù)界廣泛關(guān)注的熱點(diǎn)。企業(yè)信息系統(tǒng)在運(yùn)行的過程中，主要運(yùn)行模式是通過利用日志將系統(tǒng)內(nèi)用戶的行為數(shù)據(jù)進(jìn)行記錄，并通過捕捉或分析的方式對(duì)用戶可能存在的異常行為進(jìn)行判斷。當(dāng)前，常見的預(yù)測方法包括基于規(guī)則或基于數(shù)據(jù)驅(qū)動(dòng)的方法，但這兩種方法在實(shí)際應(yīng)用中逐漸無法滿足數(shù)據(jù)呈指數(shù)上升的日志分析需要?；诖?，本文進(jìn)行了企業(yè)信息系統(tǒng)用戶異常行為預(yù)測方法探究。

一、企業(yè)信息系統(tǒng)用戶異常行為預(yù)測方法設(shè)計(jì)

1.構(gòu)建系統(tǒng)用戶異常行為特征模型

為了確保本文設(shè)計(jì)的企業(yè)信息系統(tǒng)用戶異常行為預(yù)測方法在實(shí)際應(yīng)用中更加有效，需要結(jié)合具體企業(yè)運(yùn)行情境，選擇出能夠幫助后期預(yù)測訓(xùn)練和識(shí)別的用戶異常行為特征。同時(shí)，考慮到數(shù)據(jù)獲取和處理時(shí)的多種可能性，本文采用用戶個(gè)體屬性特征作為模型核心結(jié)構(gòu)。表1為本文系統(tǒng)用戶異常行為特征模型。

表1 系統(tǒng)用戶異常行為特征模型

根據(jù)表1中的內(nèi)容，將每一位企業(yè)信息系統(tǒng)當(dāng)中的用戶都按照上述模型層次進(jìn)行劃分，并對(duì)其相關(guān)數(shù)據(jù)進(jìn)行分類，按照來源引入到不同模型層次當(dāng)中，以此構(gòu)建系統(tǒng)用戶異常行為特征模型。

2.劃分用戶異常行為類型

在對(duì)企業(yè)信息系統(tǒng)當(dāng)中的用戶異常行為進(jìn)行預(yù)測時(shí)，首先需要對(duì)其行為進(jìn)行分類和界定，考慮到針對(duì)企業(yè)而言，用戶異常行為還會(huì)造成不利后果，本文從用戶認(rèn)知特征的角度，對(duì)用戶異常行為進(jìn)行劃分；其次，為了確保劃分后的用戶異常行為能夠更加貼切地實(shí)現(xiàn)對(duì)用戶行為的描述，本文還將基于時(shí)間和地點(diǎn)對(duì)上述構(gòu)建的系統(tǒng)用戶異常行為特征模型的應(yīng)用層異常行為進(jìn)行界定。

綜合上述論述，將用戶異常行為類型劃分為無意產(chǎn)生、基于規(guī)則以及基于知識(shí)三個(gè)不同分類。其中第一種類型表示為未按照計(jì)劃執(zhí)行動(dòng)作的用戶異常行為，通常情況下不存在推出時(shí)間；第二種類型表示為在用戶行為產(chǎn)生時(shí)，規(guī)則被錯(cuò)誤應(yīng)用的類型，通常情況下為非正常時(shí)間登錄或未在規(guī)定地點(diǎn)登錄；第三種類型表示為用戶的思維模式或知識(shí)儲(chǔ)備不足錯(cuò)誤造成的異常行為，通常情況下會(huì)超出合理操作的時(shí)間范圍。

當(dāng)?shù)谝环N用戶異常行為產(chǎn)生時(shí)，企業(yè)信息系統(tǒng)當(dāng)中的退出時(shí)間t會(huì)丟失，此時(shí)在操作記錄當(dāng)中t∈?；當(dāng)?shù)诙N用戶異常行為產(chǎn)生時(shí)，企業(yè)信息系統(tǒng)的正常工作時(shí)間應(yīng)當(dāng)為Tin-△T~Tout-△T，其中Tin表示為在企業(yè)信息系統(tǒng)中用戶行為開始時(shí)間；Tout-表示為在企業(yè)信息系統(tǒng)中用戶行為結(jié)束時(shí)間；當(dāng)?shù)谌N用戶異常行為產(chǎn)生時(shí)，可將閾值F作為確定的區(qū)間條件，當(dāng)用戶異常行為產(chǎn)生的時(shí)間在該閾值范圍內(nèi)時(shí)，則說明不存在用戶異常行為，反之同理。

3.模型預(yù)測訓(xùn)練

由于在實(shí)際應(yīng)用中，企業(yè)信息系統(tǒng)用戶行為數(shù)據(jù)量巨大，因此，預(yù)測過程更加復(fù)雜，為了進(jìn)一步提高預(yù)測結(jié)果的準(zhǔn)確性，本文引入機(jī)器學(xué)習(xí)技術(shù)，建立本文上述構(gòu)建的系統(tǒng)用戶異常行為特征模型到更高層次語義特征之間的映射，并結(jié)合深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)模型的預(yù)測訓(xùn)練。首先，在深度神經(jīng)網(wǎng)絡(luò)輸入層當(dāng)中設(shè)定某企業(yè)信息系統(tǒng)已知存在用戶異常行為數(shù)據(jù)量的85%數(shù)據(jù)作為訓(xùn)練集，將其余15%數(shù)據(jù)集作為預(yù)測集；其次，按照公式（1）對(duì)數(shù)據(jù)集進(jìn)行歸一化處理：

公式（1）中，'ne表示為經(jīng)過歸一化處理后的用戶異常行為數(shù)據(jù)特征，ne表示為未經(jīng)過歸一化處理后的用戶異常行為數(shù)據(jù)特征，nδ表示為深度神經(jīng)網(wǎng)絡(luò)特征平均值，nα表示為深度神經(jīng)網(wǎng)絡(luò)特征標(biāo)準(zhǔn)差；最后，完成對(duì)數(shù)據(jù)集的歸一化處理后，利用遺忘門結(jié)構(gòu)層對(duì)細(xì)胞狀態(tài)進(jìn)行決策，并通過讀取上一層得到的輸出結(jié)果和當(dāng)前企業(yè)信息系統(tǒng)中用戶的行為時(shí)間對(duì)比，對(duì)用戶在下一時(shí)刻出現(xiàn)異常行為進(jìn)行預(yù)測。

二、對(duì)比實(shí)驗(yàn)

根據(jù)本文上述論述，完成對(duì)企業(yè)信息系統(tǒng)用戶異常行為預(yù)測方法的理論設(shè)計(jì)，為進(jìn)一步驗(yàn)證該方法在實(shí)際應(yīng)用中的效果，將該預(yù)測方法與傳統(tǒng)基于規(guī)則的用戶異常行為預(yù)測方法應(yīng)用到相同的實(shí)驗(yàn)環(huán)境當(dāng)中，完成如下對(duì)比實(shí)驗(yàn)。

本文選擇以某企業(yè)作為實(shí)驗(yàn)環(huán)境，將該企業(yè)的信息系統(tǒng)近幾年運(yùn)行數(shù)據(jù)作為實(shí)驗(yàn)依托，該企業(yè)業(yè)務(wù)運(yùn)行十分復(fù)雜，因此，選用該企業(yè)作為本文實(shí)驗(yàn)環(huán)境獲取到的實(shí)驗(yàn)樣本具有一定代表性。同時(shí)，該企業(yè)使用信息系統(tǒng)時(shí)間已經(jīng)長達(dá)10年，因此，具有良好的應(yīng)用基礎(chǔ)，能夠?yàn)楸疚膶?shí)驗(yàn)提供更加可靠的實(shí)驗(yàn)數(shù)據(jù)，以此能夠進(jìn)一步實(shí)現(xiàn)更加可行的預(yù)測方法應(yīng)用效果研究。對(duì)于該企業(yè)而言，在信息系統(tǒng)運(yùn)行的過程中，用戶若出現(xiàn)異常行為，則會(huì)對(duì)該企業(yè)造成嚴(yán)重的損失，基于這一問題，該企業(yè)急需一種能夠?qū)崿F(xiàn)對(duì)其用戶異常行為預(yù)測的方法，因此，為本文研究提供了良好的實(shí)驗(yàn)案例條件。表2為該企業(yè)信息系統(tǒng)部分原始數(shù)據(jù)記錄表。

表2 業(yè)信息系統(tǒng)部分原始數(shù)據(jù)記錄表

表2專用TPS表示為事務(wù)處理模塊；DSS表示為決策支持模塊。根據(jù)表2中記錄格式，在該企業(yè)信息系統(tǒng)當(dāng)中提取共152630條數(shù)據(jù)，并通過系統(tǒng)自動(dòng)完成噪聲處理、不一致數(shù)據(jù)處理、重復(fù)數(shù)據(jù)處理等操作，獲取到150000條日志數(shù)據(jù)。為了確保實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，本文設(shè)置在150000條日志數(shù)據(jù)當(dāng)中共包含了存在用戶異常行為的150條數(shù)據(jù)，將其平均分配到日志數(shù)據(jù)集當(dāng)中，將前50000條日志數(shù)據(jù)作為訓(xùn)練樣本，分別利用兩種預(yù)測方法對(duì)之后100000條日志數(shù)據(jù)進(jìn)行預(yù)測，并將實(shí)驗(yàn)結(jié)果繪制成如圖1所示。

圖1 兩種預(yù)測方法實(shí)驗(yàn)結(jié)果對(duì)比表

根據(jù)圖1中兩條變化曲線可以看出，本文提出的預(yù)測方法在應(yīng)用到該企業(yè)信息系統(tǒng)環(huán)境當(dāng)中，能夠?qū)崿F(xiàn)對(duì)用戶異常行為數(shù)據(jù)的全部正確預(yù)測。而傳統(tǒng)預(yù)測方法隨著日志數(shù)據(jù)總量的不斷增加，正確預(yù)測用戶異常行為數(shù)據(jù)量逐漸減少。因此，通過對(duì)比實(shí)驗(yàn)證明，本文提出的企業(yè)信息系統(tǒng)用戶異常行為預(yù)測方法在實(shí)際應(yīng)用中能夠達(dá)到更高精度的預(yù)測結(jié)果，為企業(yè)信息系統(tǒng)安全、穩(wěn)定運(yùn)行提供保障。

三、結(jié)語

針對(duì)當(dāng)前用戶異常行為對(duì)企業(yè)信息系統(tǒng)中帶來的問題，本文進(jìn)行了針對(duì)用戶異常行為的預(yù)測方法設(shè)計(jì)探究。本文提出了一種全新的預(yù)測方法，將其應(yīng)用于實(shí)際能夠有效解決用戶異常行為造成的企業(yè)運(yùn)行事故問題。但因研究時(shí)間有限，本文提出的預(yù)測方法仍然具有一定的局限性，需要在未來對(duì)其進(jìn)行進(jìn)一步的擴(kuò)展和完善。例如，針對(duì)不同用戶異常行為可能會(huì)造成的后果并沒有進(jìn)行細(xì)分，在未來的研究中將針對(duì)不同用戶異常行為進(jìn)行細(xì)化分析，從而進(jìn)一步提高本文預(yù)測方法的適用性。