ЦИФРОВЫЕ СЛЕДЫ: КЛАСТЕРИЗАЦИЯ ИСТОРИИ БРАУЗЕРА ДЛЯ ПРОФИЛИРОВАНИЯ ПОЛЬЗОВАТЕЛЕЙ С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ

Аннотация

В этом исследовании изучается использование неконтролируемых методов машинного обучения для анализа исторической веб-активности, сегментации пользователей и обнаружения аномалий для профилирования пользователей. Применяя иерархическую кластеризацию и модели гауссовой смеси, мы выявили различные типы поведения при просмотре, разделив пользователей на четыре-пять групп, включая общий просмотр, взаимодействие с социальными сетями, потребление высокой пропускной способности и автоматизированные системные процессы. Для обнаружения аномалий использовались одноклассовый SVM и Isolation Forest для выявления отклонений от ожидаемого поведения. Результаты показывают, что примерно 5% сеансов были классифицированы SVM как аномальные, в то время как Isolation Forest выявил выбросы, связанные с увеличенной продолжительностью сеанса и потенциально высокорисковым использованием приложений. Эти результаты подчеркивают эффективность машинного обучения в различении поведения пользователей с помощью цифровых следов при выявлении потенциальных угроз безопасности или нетипичных моделей использования. Исследование демонстрирует, что неконтролируемое обучение может служить ценным инструментом для профилирования пользователей и поведенческого анализа, что имеет значение для кибербезопасности, мониторинга сети и моделирования поведения в Интернете. Интеграция кластеризации с обнаружением аномалий обеспечивает масштабируемый подход для выявления тенденций использования и отклонений в веб-трафике. Будущие исследования должны расширить охват наборов данных и включить адаптивные модели для повышения точности классификации и реагирования на меняющееся веб-поведение