丁 靜，胡俊宇，苗 鶴

（沈陽工程學(xué)院a.網(wǎng)絡(luò)與計算中心；b.科技處；c.國際教育學(xué)院，遼寧 沈陽 110136）

隨著數(shù)字校園建設(shè)的迅猛發(fā)展，學(xué)生行為有可能實現(xiàn)量化分析，特別是隨著網(wǎng)絡(luò)管理數(shù)據(jù)的不斷增加，充分利用這些數(shù)據(jù)，從這些海量數(shù)據(jù)中利用已有的先進技術(shù)手段發(fā)現(xiàn)重要信息并將其運用到教學(xué)建設(shè)、學(xué)生管理中是非常必要的。如何從海量數(shù)據(jù)中挖掘出對學(xué)生行為及時干預(yù)、精細(xì)管理有用的信息，既是對學(xué)生工作者的挑戰(zhàn)，也是利用新理念、新方法開展工作的新機遇。

一、研究對象與方法

1.指標(biāo)體系構(gòu)建

為客觀準(zhǔn)確地描述學(xué)生網(wǎng)絡(luò)行為特征，結(jié)合沈陽工程學(xué)院學(xué)生使用網(wǎng)絡(luò)的周期性，本研究通過數(shù)理統(tǒng)計方法構(gòu)建校園網(wǎng)絡(luò)行為指標(biāo)體系，用于下一步網(wǎng)絡(luò)行為特征的分類分析。

管理模式維度：上網(wǎng)總流量、總上網(wǎng)時長、上網(wǎng)類型、學(xué)分成績作為行為管理模式的4 個維度。上網(wǎng)總量為一學(xué)期上網(wǎng)總量，由入流量、出流量決定；總上網(wǎng)時長為系統(tǒng)記錄的一學(xué)期上網(wǎng)總時長，由每次上線時間、下線時間決定；上網(wǎng)類型為日志系統(tǒng)采集到的學(xué)生上網(wǎng)時在網(wǎng)絡(luò)上所訪問的類型；學(xué)分成績?yōu)榻虅?wù)數(shù)據(jù)庫可以采集到的學(xué)生成績情況。

計費周期：沈陽工程學(xué)院網(wǎng)絡(luò)管理系統(tǒng)的計費周期為按月計費，以每個學(xué)期月為統(tǒng)計周期，依據(jù)教學(xué)周期與校歷截取8 月份到12 月份半學(xué)期流量情況。

2.數(shù)據(jù)清理

直接采集到的數(shù)據(jù)一般是不完整的、帶有隨機性的，并且伴有一定的噪聲，我們在使用數(shù)據(jù)挖掘方法之前對數(shù)據(jù)進行了數(shù)據(jù)清洗。通過數(shù)據(jù)清洗，剔除部分無效數(shù)據(jù)和空缺數(shù)據(jù)，保留研究所需有用信息，進行下一步分析研究。

3.KNN算法

K 最近鄰（k-Nearest Neighbor，KNN）分類算法，是一個理論上比較成熟的方法。它是給定一個未知樣本，k-最鄰近分類法搜索模式空間，找出最接近未知樣本的k個訓(xùn)練樣本，然后使用k個最鄰近者中最公共的類來預(yù)測當(dāng)前樣本的類標(biāo)號。

KNN 方法的思路是：如果一個樣本在特征空間中的k個最相似的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。KNN 算法中，所選擇的訓(xùn)練樣本都是已經(jīng)正確分類的對象。該方法在定類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。本研究所使用的是KNN算法。

二、研究結(jié)果

1.數(shù)據(jù)采集

本研究所采集的是沈陽工程學(xué)院自動化學(xué)院、經(jīng)濟與管理學(xué)院、能源與動力學(xué)院及電力學(xué)院2020 年級六個班級的180 條學(xué)生數(shù)據(jù)。這180 名同學(xué)學(xué)期內(nèi)沒有校外實習(xí)情況，網(wǎng)絡(luò)使用情況相對穩(wěn)定，代表使用人群比較廣泛，更能反映學(xué)生在校園運用網(wǎng)絡(luò)情況。

數(shù)據(jù)采集時間為2020年8月份至2020年12月份半學(xué)期。學(xué)生網(wǎng)絡(luò)訪問類型較多，其中校園網(wǎng)訪問類型多為圖書館、網(wǎng)絡(luò)教學(xué)平臺、雨課堂、教務(wù)處選課系統(tǒng)等校內(nèi)資源；外網(wǎng)訪問類型多為QQ、百度、新浪、土豆網(wǎng)、迅雷、抖音、游戲等。通過訪問類型可以了解到，學(xué)生在用校園網(wǎng)期間以使用校園網(wǎng)資源進行選課、查閱資料、下載應(yīng)用軟件和一些學(xué)習(xí)相關(guān)的材料為主，在利用互聯(lián)網(wǎng)期間則以上網(wǎng)聊天、瀏覽微博、看電影、游戲等娛樂為主。

2.數(shù)據(jù)采集匯總分析

（1）結(jié)合學(xué)生學(xué)分情況，對180 個抽樣數(shù)據(jù)半學(xué)期流量分析：通過對180 名抽樣學(xué)生半學(xué)期的流量監(jiān)控與統(tǒng)計和五個月上網(wǎng)時長的匯總，統(tǒng)計出每個學(xué)生半學(xué)期使用流量，通過流量趨勢對學(xué)生學(xué)分合格情況進行對比，數(shù)據(jù)中可以觀察到：學(xué)分不合格學(xué)生集中在流量20G 左右區(qū)間和40G 以上區(qū)間，特別是40G 流量以上區(qū)間內(nèi)聚集了多數(shù)的學(xué)分不合格的學(xué)生。此分析說明流量較多的范圍對區(qū)別學(xué)分是否合格能力較強。圖1為180個抽樣學(xué)生半學(xué)期流量與學(xué)分對應(yīng)圖。

圖1 180個抽樣學(xué)生半學(xué)期流量與學(xué)分對應(yīng)圖

（2）結(jié)合學(xué)生學(xué)分情況，對180 個抽樣數(shù)據(jù)半學(xué)期時長分析：通過對180 名抽樣學(xué)生半學(xué)期的月份時長數(shù)據(jù)的監(jiān)控與統(tǒng)計，對每個學(xué)生分別產(chǎn)生5個月的時長信息進行匯總，統(tǒng)計出每個學(xué)生半學(xué)期使用時長。通過時長趨勢與學(xué)分合格情況對比可以觀察到：學(xué)分不合格學(xué)生集中在使用時長400 小時左右區(qū)間和600 小時以上區(qū)間，其中不合格的學(xué)生主要集中在600 小時以上時長范圍，說明總上網(wǎng)時長對區(qū)分學(xué)分是否合格能力較強。圖2為180個抽樣學(xué)生半學(xué)期時長與學(xué)分對應(yīng)圖。

圖2 180個抽樣學(xué)生半學(xué)期時長與學(xué)分對應(yīng)圖

（3）結(jié)合學(xué)生學(xué)分情況進行分析。在流量與學(xué)分結(jié)合時，我們把學(xué)生分成合格與不合格兩組進行統(tǒng)計，可以觀察到：①不合格的學(xué)生在半學(xué)期流量值普遍高于全體學(xué)生的平均值及合格學(xué)生的半學(xué)期流量，說明異常使用流量可能與學(xué)分有著一定的關(guān)系。②流量趨勢在整個半個學(xué)期呈現(xiàn)為不明顯的“凸”型結(jié)構(gòu)，從八月份開始流量逐漸增加，到十月份達到最大值，十一月份保持平穩(wěn)，在十二月份降低到最小值。這說明學(xué)生八月開學(xué)到九月使用網(wǎng)絡(luò)流量成逐漸增加狀態(tài)，十月、十一月份成為半學(xué)期網(wǎng)絡(luò)集中使用狀態(tài)，而到了十二月份，由于臨近期末，面臨考試，進入低使用狀態(tài)。圖3為180個抽樣學(xué)生半學(xué)期流量趨勢圖。

圖3 180個抽樣學(xué)生半學(xué)期流量趨勢

（4）在時長與學(xué)分結(jié)合時，我們也把學(xué)生分成合格與不合格兩組進行統(tǒng)計，可以觀察到：①不合格的學(xué)生在半學(xué)期月平均時長高于全體學(xué)生的月平均值，說明時長使用也可能與學(xué)分有著一定的關(guān)系。②時長趨勢在整個半個學(xué)期呈現(xiàn)狀態(tài)為：八月份至十一月份逐漸增加，在十二月份有所回落。圖4為180個抽樣學(xué)生半學(xué)期時長趨勢圖。

圖4 180個抽樣學(xué)生半學(xué)期時長趨勢

3.數(shù)據(jù)內(nèi)容

通過多方面采集，匯總出180 個樣本學(xué)生的總體數(shù)據(jù)，其中有：

（1）學(xué)號。IMC 系統(tǒng)、教務(wù)數(shù)據(jù)庫系統(tǒng)及日志系統(tǒng)中都采用學(xué)生學(xué)號來標(biāo)識學(xué)生。

（2）班級。采集的六個班級：測控***、保險***、核工本***、建環(huán)***、建環(huán)***、電氣***。

（3）組名。記錄計算機所在位置，根據(jù)位置的不同組名有：上網(wǎng)組/學(xué)生宿舍網(wǎng)、上網(wǎng)組/教師辦公、上網(wǎng)組/多媒體、上網(wǎng)組/獨身公寓、上網(wǎng)組/其他；分別標(biāo)識應(yīng)用的位置：學(xué)生宿舍、教師辦公室、圖書館多媒體、獨身公寓宿舍、其他位置（科技園區(qū)、大學(xué)城賓館、其他經(jīng)營類位置）等。組名在類型數(shù)據(jù)采集中起到重要作用，監(jiān)控學(xué)生時，通常多數(shù)采集在宿舍應(yīng)用網(wǎng)絡(luò)組里，如顯示該用戶在辦公區(qū)域或其他區(qū)域上網(wǎng)時，有可能說明該學(xué)生正在利用網(wǎng)絡(luò)上課或其他科研活動，將不作為一次應(yīng)用類型記錄。

（4）應(yīng)用類型。學(xué)生上網(wǎng)經(jīng)常使用類型。訪問類型主要有http 下載、游戲、瀏覽網(wǎng)站、p2p 四個類型。

（5）最常使用應(yīng)用。通過采集到的最常使用應(yīng)用決定應(yīng)用類型。這里把電影音樂網(wǎng)站、論壇、購物網(wǎng)站歸為瀏覽網(wǎng)站類型，各種應(yīng)用游戲歸為游戲類型，應(yīng)用p2p的產(chǎn)品歸為p2p類型。

（6）上傳/下載比。上傳下載比例說明該學(xué)生網(wǎng)絡(luò)流量的出入情況，該值比例較小時，說明學(xué)生利用網(wǎng)絡(luò)下載的較多；當(dāng)比例較大時，有可能出現(xiàn)學(xué)生非正常使用網(wǎng)絡(luò)情況，特別是對于P2P 的技術(shù)播放軟件的不正常利用，會導(dǎo)致學(xué)生在某幾個月的網(wǎng)絡(luò)流量很快用盡，這一比值需要與上網(wǎng)時長及總流量進行配合分析。

（7）時長。半學(xué)期的學(xué)生上網(wǎng)總時長合計，包括五個月的使用時長，以小時為單位記錄。

（8）流量。半學(xué)期總流量合計，五個月流量總計，以千兆為單位記錄。

（9）合格標(biāo)志。學(xué)生本學(xué)期學(xué)分情況標(biāo)識，其中0為不合格，1為合格。

通過上面的字段數(shù)據(jù)采集匯總表，這里對組名進行數(shù)字表示法，將上網(wǎng)組/教師辦公、上網(wǎng)組/學(xué)生宿舍網(wǎng)、上網(wǎng)組/多媒體、上網(wǎng)組/獨身公寓、上網(wǎng)組/其他，這五個位置分別用1|1、1|2、1|3、1|4、1|5 來表示。表1為數(shù)據(jù)采集匯總的部分?jǐn)?shù)據(jù)。

表1 數(shù)據(jù)采集匯總表（部分?jǐn)?shù)據(jù)）

4.數(shù)據(jù)清理與轉(zhuǎn)換

針對采集來的180 條數(shù)據(jù)，在進行分析之前要進行消除或減少噪聲、填補空取值的數(shù)據(jù)清理工作。

（1）由于有少部分人沒有接入互聯(lián)網(wǎng)，只有成績信息，并沒有網(wǎng)絡(luò)相關(guān)信息，當(dāng)對這部分?jǐn)?shù)據(jù)分析時會干擾產(chǎn)生的模型，這里將其進行刪除，刪除沒有接入網(wǎng)絡(luò)的學(xué)號有：2020***106，2020***112，2020***121，2020***122。

（2）空缺值的處理將有助于提高數(shù)據(jù)分類和預(yù)測的準(zhǔn)確性，從而減少學(xué)習(xí)時的混亂。本文通過對采集的數(shù)據(jù)信息進行觀察發(fā)現(xiàn)，有些學(xué)生由于休假等原因，在某天或某月沒能上網(wǎng)，對于數(shù)據(jù)上的這種空缺采取人工填寫的方法進行彌補，由于數(shù)據(jù)需要的連續(xù)性，決定填充的方法采用在該屬性上最經(jīng)常出現(xiàn)的值來填充此空缺的屬性。

（3）在常用上網(wǎng)應(yīng)用統(tǒng)計中，有些網(wǎng)址是系統(tǒng)無法識別的，做人工填寫，統(tǒng)一填寫成網(wǎng)站類型?；诰嚯x數(shù)據(jù)挖掘中，當(dāng)數(shù)據(jù)為非連續(xù)性屬性時，將不能直接確定對象之間的距離，這時需要對數(shù)據(jù)進行轉(zhuǎn)換，將其他屬性類型轉(zhuǎn)換成數(shù)值類型。為計算方便將流量以字節(jié)為單位轉(zhuǎn)換為千兆為計算單位；上網(wǎng)時長以小時為單位轉(zhuǎn)換成分鐘為單位。

三、實驗結(jié)果及分析

研究采用數(shù)據(jù)挖掘中基于距離的分類算法，分類步驟如下：

（1）將180 個抽樣數(shù)據(jù)集組成訓(xùn)練集，由輔導(dǎo)員評定好、中、差三類標(biāo)號，對數(shù)據(jù)加上類標(biāo)號組成訓(xùn)練集。本文將上網(wǎng)總流量、總上網(wǎng)時長、上網(wǎng)類型、學(xué)分成績作為系統(tǒng)的四個屬性值。訓(xùn)練樣本集為采集的180 個學(xué)生的數(shù)據(jù)，對這些數(shù)據(jù)進行整理，首先將數(shù)據(jù)中的非數(shù)值性屬性進行數(shù)據(jù)轉(zhuǎn)換，其中上網(wǎng)流量、上網(wǎng)時長及學(xué)分標(biāo)識為數(shù)值型數(shù)據(jù)；其次將上網(wǎng)類型非連續(xù)性值進行轉(zhuǎn)換。

（2）上網(wǎng)類型分為四類，http 類型賦值為1，網(wǎng)站類型賦值為2，p2p 類型賦值為3，游戲類型賦值為4。最后得出180 個訓(xùn)練集的樣本，表2 為訓(xùn)練樣本集部分?jǐn)?shù)據(jù)。

表2 訓(xùn)練樣本集（部分?jǐn)?shù)據(jù)）

分類算法過程如下：

假設(shè)某半學(xué)期內(nèi)一組學(xué)生上網(wǎng)行為個例樣本集合定義為S。其中，S由i個學(xué)生樣本組成，而每個學(xué)生樣本由n個屬性變量及1個標(biāo)志量構(gòu)成。其數(shù)學(xué)表示式為：

本文的屬性變量xij分別代表上網(wǎng)總流量、總上網(wǎng)時長、上網(wǎng)類型、學(xué)分成績4 個要素，最后一個要素Li稱為標(biāo)志量（Label），文中的標(biāo)志量即為學(xué)生評定級別。利用KNN 算法進行網(wǎng)絡(luò)行為預(yù)測可以描述為如下數(shù)學(xué)模型：假設(shè)上網(wǎng)總流量、總上網(wǎng)時長、上網(wǎng)類型、學(xué)分成績4 個要素的集合為Yi={y1,y2,y3,…,yn}，稱為預(yù)測樣本；預(yù)測時，首先在訓(xùn)練樣本集S 集合中找到與預(yù)測樣本Yi最相似的K 個近鄰，然后找出這K 個標(biāo)志量（評定級別）集合Li={L1,L2,L3,…,Ln}，最后按照投票多數(shù)原則，選取最多的標(biāo)志量Li作為預(yù)測樣本Yi預(yù)測結(jié)果。

（3）本文的K 近鄰居選取采用歐氏距離法進行判定，利用歐式距離計算測試集中的600 個測試集數(shù)據(jù)與訓(xùn)練集的距離，選取與每個測試數(shù)據(jù)最近的k個點，統(tǒng)計k個點里面所屬分類比例最大的，確定所有測試集的所屬分類，經(jīng)過反復(fù)試驗，本文選取k值為5。

（4）用測試集來預(yù)測模型準(zhǔn)確性：180 條抽樣數(shù)據(jù)全部作為訓(xùn)練集樣本數(shù)，另選600 條清理后的數(shù)據(jù)作為測試集，采用通過的準(zhǔn)確率和召回率對系統(tǒng)性能進行測試，準(zhǔn)確率和召回率反映了分類質(zhì)量的兩個不同方面，兩者要綜合考慮，不能有所偏失，使用了兩者的綜合指標(biāo)F-Score值，其數(shù)學(xué)公式為：

將β取值為1時，公式如下：

p表示精確率，r表示召回率；用上面的方法和數(shù)據(jù)進行訓(xùn)練和測試，表3為分類測試結(jié)果：

表3 分類測試結(jié)果

四、結(jié)語

本文在綜合分析沈陽工程學(xué)院網(wǎng)絡(luò)管理模式基礎(chǔ)上，將基于數(shù)據(jù)挖掘技術(shù)的KNN 算法與學(xué)生上網(wǎng)行為模式相結(jié)合，實現(xiàn)學(xué)生上網(wǎng)異常行為預(yù)測方法，得到以下結(jié)論：①上網(wǎng)行為異常預(yù)測的KNN分類器屬性特征由上網(wǎng)總流量、總上網(wǎng)時長、上網(wǎng)類型、學(xué)分成績等4 個要素構(gòu)成，標(biāo)志量為評定等級；②根據(jù)2020 年下半學(xué)期所獲得的數(shù)據(jù)的預(yù)測結(jié)果表明，異常預(yù)報準(zhǔn)確率與精確率及召回率分別為73.79%，76.55%，80.62%，F(xiàn)-Score 值為78.53%，所獲得結(jié)果均在可接受范圍內(nèi)，能夠提供給學(xué)生管理者對異常網(wǎng)絡(luò)行為學(xué)生進行干預(yù)。因此，科學(xué)使用數(shù)據(jù)挖掘的KNN 算法進行挖掘探索，合理挖掘開發(fā)，將有效提升學(xué)校的管理水平和科學(xué)決策能力。