[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

摘要

本发明涉及一种基于鼠标行为的电子商务中用户异常行为检测方法，应用系统包括B2C电商网站、鼠标行为数据采集模块、检测模块、数据库。方法包括步骤一，正常用户模式提取；步骤二，匹配检测。本发明针对特殊应用环境，设计个性化的鼠标行为特征向量，增强身份认证可靠，保证电子商务的交易安全。

主权项

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；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；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。