基于层次化网络用户鼠标行为建模的可信认研究

摘要

随着互联网技术的快速发展和“互联网+”行动的实施，各种应用程序广泛使用。互联网已经渗透到人们日常生活的方方面面，然而，人们在享受科技带来便利的同时也面临着许多信息安全问题。在现有的网络安全技术的防护下，黑客假冒合法用户入侵系统进行恶意破坏仍然可能存在，全球每年因信息安全事故而蒙受巨大的经济损失，如何增强网络安全保障仍是一项挑战。　　本文有三个目的：（1）探究网络环境下人的鼠标操作行为模式（简称鼠标行为模式）是否同现实中人的行为模式一样具有独特性。（2）探究网络用户在不同情绪下鼠标行为模式存在的差异。（3）探究用户一定情绪变化强度下的鼠标行为差异性对网络用户可信交互行为辨识的影响是否显著。为此，分为两个阶段开展工作。首先，收集自建学术交流网站（AML）上8名注册用户393,864条可信交互的鼠标数据，对网络用户鼠标行为进行层次化划分及特征值的提取，再通过随机森林算法来构建可信认证模型，验证网络用户是否具有独特的鼠标行为模式。其次，设立了重复测量实验，另外邀请了18名被试在唤醒不同的情绪后去AML网站上完成任务，收集带情绪标签的鼠标数据并进行分析，深入探究用户情绪对鼠标行为和可信交互行为辨识的精确率的影响。AML网站原型采用Html和JavaScript开发，并且Web前端记录用户的鼠标操作。　　网络环境中人的鼠标行为模式具有独特性的研究表明，基于层次化网络用户鼠标行为的可信交互行为辨识有较高的精确率，达到91.8%，并且错误接受率低于2.08%，这验证了网络环境中人的鼠标行为模式同现实中人的行为模式一样具有独特性。通过对网络用户可信交互行为进行辨识的可信认证模型意味着不仅能够实现用户身份的认证，还可以对合法用户的网络行为进行监控。　　用户情绪对鼠标行为模式和可信交互行为辨识的精确率的影响研究表明，用户情绪一定程度的变化会对其鼠标行为模式产生一些影响，比如用户的部分鼠标行为特征（鼠标移动的水平速度、鼠标向左移动的角度和鼠标向右移动的加速度等）存在显著差异。用户在中性情绪下的鼠标行为表现与正常生活中的行为是相符的，与之相比，在积极情绪状态下鼠标移动的水平速度，垂直速度，切向速度都要慢些，而消极情绪状态下鼠标移动的水平速度，垂直速度，切向速度都要更快些。而用户在不同情绪下的可信交互行为辨识的精确率稍有波动，但差异并不显著。　　本研究利用用户鼠标行为模式的独特性对系统的可信认证进行了研究，这是一种新的研究思维。并且本文提出的一种基于网络用户独特的鼠标行为模式确定可信交互的方法具有更简便、设备更弱化的优点，同时有较高的精度。由此，基于层次化网络用户鼠标行为建模的可信认证研究有助于给网络信息安全提供另外一个安全防护。

目录

1 绪论

1.1 研究背景及意义

1.2.1 大数据环境下基于网络用户行为建模研究

1.2.2 网络用户心理、生理和行为关系研究

1.2.3人与信息系统交互过程中的情绪研究

1.3.1 研究目的

1.3.2 课题来源

1.3.3 本文的创新点

1.3.4 论文框架

2 基于网络用户鼠标行为模式的可信认证模型

2.1 模型框架

2.2 可信认证

2.2.1 人的行为模式

2.2.2 可信交互

2.3 层次化鼠标行为及特征值计算方法

2.3.1 层次化鼠标行为

2.3.2 鼠标行为特征值及其计算方法

2.4.1网站原型设计

2.4.2数据采集方法

2.5 基于随机森林的分类器构造

2.5.1随机森林的基本原理

2.5.2 基于随机森林的分类器构造算法

2.5.3 随机森林算法的参数调优

2.6.1 验证过程

2.6.2 结果评价指标

2.7 本章小结

3 可信交互行为辨识实例

3.1实验分析

3.1.1 原始数据描述

3.1.2 数据划分

3.2实验结果

3.2.1 RF模型中输入数据的划分对分类性能的影响

3.2.2平衡样本下可信交互行为辨识的结果

3.3 实验结果讨论

3.3.1 可信交互行为辨识的实质意义讨论

3.3.2 可信交互行为的特征重要度

3.3.3 可信认证模型的有效性及适用性讨论

3.3.4 网络用户鼠标行为轨迹

3.4本章小结

4 网络用户情绪对鼠标行为及可信交互行为辨识的影响

4.1 实验背景

4.2.1 实验变量

4.2.2 被试

4.2.3 设备

4.2.4 情绪唤醒设计

4.2.5 实验系统及任务

4.2.6实验流程

4.2.7数据分析

4.3 实验结果

4.3.1情绪对鼠标行为模式的影响

4.3.2情绪对用户可信交互行为辨识的影响

4.4 本章小结

5 结论与展望

5.1 研究结论

5.2 研究展望

参考文献

附录

A. 作者在攻读硕士学位期间发表的论文目录

B. 作者在攻读硕士学位期间参与的科研项目目录

C. 学位论文数据集

致谢