Page 163 - 《软件学报》2021年第6期

刘霄 等:个体交互行为的平滑干预模型 1737

lia = {a u ∈ A u |Q a u < ≤ Q },
1 period period min period 1
lia = 2 {a u period ∈ A u period | Q ≤ a u period < Q 2 },
1
lia = 3 {a u period ∈ A u period | Q ≤ a u period < Q 3 },
2
lia = 4 {a u period ∈ A u period | Q ≤ a u period < Q max },
3
lia = {a u ∈ A u | a u ≤ Q ,a u ≥ Q }.
5 period period period min period max
| lia | | lia | | lia |
因此可以得出 period = 1 1 , period = 2 2 ,..., period = 5 5 .即,该用户登录间隔属性:
n u period n u period n u period
u
LIA =(period 1 ,period 2 ,period 3 ,period 4 ,period 5 ).
u
定义 5(关键页面停留时间属性). 用户 u 的关键页面停留时间属性定义为 KSA =(distance 1 ,distance 2 ,…,
distance n ),表示用户在行为引导触发因素对应的载体页面的停留时间长短的概率.在用户 u 的正常交互行为日
u
志 R u 中,取出该用户历史关键页面 a page_no =key 的停留时间集合 A u distance ,其中, n u distance = | A distance | .为了区分用户在
u
关键页面交互时间的偏好和习惯,根据集合 A distance 中的所有元素,求出集合第一四分位数 Q 1 、第二四分位数 Q 2 、
第三四分位数 Q 3 和上限 Q max 、下限 Q min ,将集合分为 5 个子集,即:
ksa = {a u ∈ A u | Q a u < ≤ Q },
1 distance distance min distance 1
u
ksa = 2 {a u distance ∈ A distance | Q ≤ a u distance < Q 2 },
1
u
ksa = 3 {a distance ∈ A u distance | Q ≤ a u distance < Q 3 },
2
ksa = 4 {a u distance ∈ A distance | Q ≤ a u distance < Q max },
u
3
u
ksa = {a distance ∈ A u distance | a u distance ≤ Q min ,a u distance ≥ Q max }.
5
| ksa | | ksa | | ksa |
因此可以得出 distance = 1 1 ,distance = 2 2 ,...,distance = 5 5 .即,该用户登录间隔属性为
u
n u distance n u distance n distance
u
KSA =(distance 1 ,distance 2 ,distance 3 ,distance 4 ,distance 5 ).
u
u
u
u
u
定义 6(交互行为特征). 令 IBC =(LTA ,WTA ,LIA ,KSA )为用户 u 的交互行为特征,根据登录时间、交互行
为是否发生在工作时间、登录时间的时间间隔、系统关键页面停留时间等属性,将用户的交互行为定义为一个
u
24 维的特征向量 IBC 来描述用户的交互行为,其中，
u
(1) LTA =(time 1 ,time 2 ,…,time 12 )表示登录时间属性,其中,time k (k=1~12)分别表示用户在各时间段发生登
录行为的概率;
u
(2) WTA =(isworktime,noworktime)表示工作时间登录属性,其中,isworktime 和 noworktime 分别表示用户
在工作日和非工作日产生交互行为的概率;
u
(3) LIA =(period 1 ,period 2 ,…,period n )表示登录间隔属性,其中,period k (k=1~5)表示用户与上一次登录行为
的间隔时间在 lia k 内的概率;
u
(4) KSA =(distance 1 ,distance 2 ,distance 3 ,distance 4 ,distance 5 )表示页面停留时间属性,其中,distance k (k=1~5)
表示用户在系统关键页面的停留时间在 ksa k 内的概率.
2.2 行为漂移引导模型的建立
一般来说,每个人都有相对不变的行为习惯,这由人的性格、年龄、职业等决定的,如内向的人在暴露信息
时比较谨慎,老年人操作比较慢,计算机专业的人操作大多比较快,等等.这些共性的特征也往往容易被欺诈者
捕获.同时,每个人的行为习惯事实上也是可以相对改变的,但这种改变大多来自于外界施加的条件.在多数交
易系统中,由于系统行为只注重业务逻辑和业务功能,交易数据所蕴含的用户行为是通过交易系统行为实现的.
在系统不对用户主动干预下,数据所蕴含的行为是一般用户自身形成的行为.而一个用户施加于系统的行为通
常具有一定的不变性.交易频率越高的用户,其行为也就比较稳定.因此,当用户数据被盗取并被欺诈者模拟行
为后,那么原有的合法用户行为模型将无法区分欺诈行为.另外,如果用户交易频率过低,相当于无用户行为,这
种情况使得欺诈者更易模拟用户行为.因此,为了使得用户行为能主动对抗欺诈行为并保持良好的交互体验,需