Markov-Modulated泊松过程模型在用户行为识别中的应用.pptVIP

Markov-Modulated泊松过程模型在用户行为识别中的应用 杨 峰 贾春福 南开大学信息技术科学学院 2005年8月23日 关于MMPP Markov modulated泊松过程（MMPP） 非齐次Poisson过程，其强度变量服从马氏过程 一个双重随机过程： 表现观测值特征的非齐次泊松过程 表现该泊松过程密度变化转移特征的时间连续的马氏过程 Markov-Modulated泊松过程模型描述 令{Xt}是一个连续时间的马氏过程，状态空间为 S = (1, …, k)， 且{Xt}有无穷小转移概率矩阵Q={qij} 。 令λ=(λ1,…,λk)，{N(t)}为非齐次泊松过程，强度函数为{λ(X(t))} ，即给定{λ(X(t))} ， {N(t)}为泊松分布。 这样的过程称为Markov-Modulated泊松过程 MMPP模型算法（转化为隐马氏模型） 令τ0=0 ，τk为{N(t)}中第k个事件发生的时间，令Xk=X(τk) ，Yk=τk-τ(k-1) ，则可以认为{(Xk,Yk)}为隐马氏模型。 所以，可以利用转化的离散隐马氏模型通过估计{X(t)} 的跳点处的状态来估计过程{X(t)}。 令 为过程{X(t)}的第k次跳跃时间，则 是离散时间的时齐的马氏链，其转移概率矩阵为 其中 是{Xt}的Q--矩阵，并有 {Xt}在状态i的逗留时间服从指数分布. 所以，MMPP模型可简化为 由此，我们把MMPP模型转化为离散时间的隐马氏模型，即可利用隐马氏模型中常用的算法求解相关参数。 隐马氏模型（HMM） 双重随机过程： 马氏链，描述模型中本质的状态的转移 描述状态和观察值之间对应关系的过程 特点： 相关算法（前向算法 、后向算法） 隐马氏模型（HMM）中 利用前向算法和后向算法，可以得到 P(Y=y|Φ) 应用：通过计算观测序列P(Y=y|Φ) 的值判断序列的正常程度。 MMPP模型参数估计 重估计算法 MMPP模型应用 用户鼠标行为识别 用户鼠标行为服从MMPP过程，通过计算用户鼠标行为序列的P(Y=y|Φ) ，来区分非法用户。 数据来源: 测试过程中正常数据与异常数据各取前五个的P(Y=y|Φ)值(给定参数下序列出现的概率),以便直观感受正常数据与异常数据的差别程度. N为每组数据的观测值数，K是状态数。 结果: 正常序列的概率值集中在E的负210次方左右,异常序列的概率值集中在E的负240次方左右,具有较好的区分度. ROC曲线分析: 识别率在0.87的情况下,误报率为0.04.识别率在0.92的情况下,误报率为0.18.模型具有比较好的ROC曲线. 结论及进一步的工作 MMPP模型对于基于鼠标点击的点过程的行为识别具有很好的准确度。由于本文讨论的算法是基于前向后向算法的，因此意味着它的较低的复杂度能够应用到实际系统中来。 本文是尝试性的工作，进一步我们将继续研究用户的特定行为模式和鼠标行为的关系，进而研究用户的网络鼠标行为的特征，即用户在访问网络时的鼠标行为特征，并应用到实际的入侵检测系统中来。 谢 谢！ * * *