曾伟 中国联通江西分公司 南昌市 330000

0 概述

目前传统的用户行为审计是依托于各个网络设备及其附属的网管设备进行，各设备单独运行，缺陷主要表现在审计策略修改难度大，用户行为越来越复杂，无法做到同步满足业务需求。各个厂家间审计策略无法联动。审计时效性不足，只能实现被动的事后审计。本文提出了使用机器学习技术对用户行为数据审计的方法，使用机器学习中的异常检测算法判定异常用户。

1 机器学习的用户行为审计系统概述

机器学习是一类算法的总称，这些算法从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类。异常检测又被称为是“离群点检测”，核心是利用各种统计的、距离的、密度的量化指标去描述数据样本跟其他样本的疏离程度。审计系统从用户消费数据、用户缴费数据、用户通信话单数据、用户漫游话单数据、账户间融合关系数据等角度形成一个用户的综合数据标签，利用各种异常检测算法标注异常，在此基础上利用大数据技术实现自动化。根据数据处理流程，审计系统包括以下模块：

数据采集和清洗：数据是分析的基础，从网络设备、计费系统、财务系统采集数据，经数据格式转换后统一录入数据库。

异常检测：使用机器学期中的异常检测(anomaly detection)算法对用户行为标记。成熟的用户行为异常检测算法较多，有 iForest、LOF等，但由于各种算法原理不同针对不同类型的数据有效性也不同，本文提出将各种算法计算出来的结果经变化后加权使用，综合各算法的优势。……