[发明专利]基于鼠标行为的电子商务中用户异常行为检测方法

权利要求书

1.一种基于鼠标行为的电子商务中用户异常行为检测的应用系统，其特征在于，

包括B2C电商网站，为用户提供购物环境；

包括鼠标行为数据采集模块，用于收集用户购物过程中操作鼠标产生的数据；所述鼠标行为数据采集模块内嵌在电子商务网站中，使用JavaScript脚本语言；

鼠标单击时采集的数据项主要有：页面序号，X、Y轴坐标值，时间戳等；

采集鼠标移动时的数据，需要预设采样率，采集数据包括页面序号，X、Y轴坐标值，时间戳，移动速度，加速度，移动角度值等，其中后三项需要通过对采集的原始数据经过间接数学运算后而得出；

包括检测模块，利用聚类等算法对训练期间采集到的鼠标数据进行正常行为模式的固化,对当前用户行为模式进行计算生成，最后进行匹配检测操作；

包括数据库，用于存储数据采集模块在用户购物过程中操作鼠标产生的数据，同时将已备的正常行为模式提供给检测模块用于对与当前用户行为模式进行匹配检测。

2.一种基于鼠标行为的电子商务中用户异常行为检测方法，其特征在于，

步骤一，正常用户模式提取：对训练期间采集的正常鼠标行为数据进行预处理，利用基于欧氏距离的K-means聚类算法等方法，提取用户的正常行为模式；

步骤二，匹配检测：对当前用户鼠标数据进行相同处理，得到当前用户的鼠标行为模式，与正常模式进行匹配分析。

3.根据权利要求2所述的基于鼠标行为的电子商务中用户异常行为检测方法，其特征在于，所述模式提取是采用提取特征向量的方法来实现的，具体包括：

预处理阶段，对采集数据坐标点进行聚类处理并剔除异常点；

生成模式阶段，按照特征向量定义计算，并向数据库存储特征向量；

更新阶段，不定时的循环至预处理阶段对特征向量进行优化更新。

4.根据权利要求2所述的基于鼠标行为的电子商务中用户异常行为检测方法，其特征在于，所述匹配检测，其方法为：

匹配时，直接计算特征向量之间的距离，由于每个特征向量的每个分量不同，故分别求相同类型的分量之间的距离；

超过一定阈值（阈值由大量实验结果和经验总结得出），即判断为异常。

5.根据权利要求3所述的基于鼠标行为的电子商务中用户异常行为检测方法，其特征在于，所述特征向量的设计，则利用采集到的数据，同时考虑到应用环境为电子商务购物网站，为体现特性，故在购物过程中每个状态跳转都有自己定制的特征向量；

具体地，如在登录状态转移时，考虑到每个用户的用户名与密码的长度、输入难度、输入手速等不同，把用户点击用户名文本框、密码文本框和登录按钮之间的时间差作为特征向量的一部分，取其平均值作为特征值；另一方面，用户在点击登录按键时的单击区域也因人而异，该坐标值也选为特征向量的一部分，将采集到的大量单击点坐标，通过基于欧氏距离的K-Means聚类算法，得到最密集簇的簇心坐标的坐标值作为特征值；

定义为FeatureVector0=（T1，T2，Point），其中T1表示单击用户名文本框和密码文本框之间的时间差，T2表示单击密码文本框和登录按钮之间的时间差，Point是最密集几个簇的簇心坐标点数据；

在浏览选购状态时，不同用户喜好不同，生理习惯各异，将频繁单击区域和鼠标移动速度、加速度、移动角度值等均作为特征向量；

定义FeatureVector1=（Point，v，a，angle），其中Point是单击点分布最密集的几个簇的簇心坐标点数据集合，v表示移动速度的最小值、最大值和分布密集平均值数组，a表示移动加速度的最大值和分布密集平均值数组，angle表示移动角度值的分布密集值数组。

6.根据权利要求2所述的基于鼠标行为的电子商务中用户异常行为检测方法，其特征在于，所述匹配检测，是选择用户在电商网站进行购物操作时，所发生的真正对用户利益可能有实质性伤害的有序行为进行分析；

该检测模型借鉴了自动机中状态集、输入字符和转移函数的想法，每个圆表示一个状态，箭头表示转移函数，符号1和0分别表示行为模式匹配与否；

每一次转移时，都需要用到定制的特征向量，分别为FeatureVector0，FeatureVector1，FeatureVector2，FeatureVector3；

对当前用户行为进行检测时，对生成的特征向量进行匹配，任意一次转移时匹配超出一定的阈值，都直接判断为异常。