基于移動(dòng)終端的無線局域網(wǎng)用戶行為研究

商正儀，梁羽燕，薛建宇，陳 偉

(南京郵電大學(xué) 計(jì)算機(jī)學(xué)院，江蘇 南京 210046)

0 引 言

如今智能終端設(shè)備對(duì)于有線網(wǎng)絡(luò)基礎(chǔ)架構(gòu)的依賴逐漸減少，政府與企業(yè)也在大力推動(dòng)建設(shè)城市公共場(chǎng)所的無線網(wǎng)絡(luò)，使得無線局域網(wǎng)成為用戶在固定場(chǎng)所下的最優(yōu)網(wǎng)絡(luò)解決方案。但公共場(chǎng)所的無線局域網(wǎng)保密措施較差，終端設(shè)備接入時(shí)可能引發(fā)的安全問題日益增多。密碼攻擊、腳本注入、會(huì)話劫持等惡意攻擊方式均可以截獲網(wǎng)絡(luò)中的數(shù)據(jù)流量，導(dǎo)致用戶個(gè)人信息遭到泄露[1-2]。因此，通過監(jiān)控網(wǎng)絡(luò)流量，對(duì)用戶行為進(jìn)行分析，可以在提高第三方服務(wù)商個(gè)性化服務(wù)質(zhì)量的同時(shí)，有效改善網(wǎng)絡(luò)運(yùn)行效率，為網(wǎng)絡(luò)提供更加優(yōu)質(zhì)的管理。

在任何無線網(wǎng)絡(luò)環(huán)境下，終端都扮演了一個(gè)重要的角色，其對(duì)防范用戶隱私泄露有重要的作用。已有研究表明，通過監(jiān)控智能終端定期發(fā)送的廣播探針請(qǐng)求可追蹤用戶[3]并分析用戶歷史行為[4]；利用Android終端采集無線局域網(wǎng)資源并與后臺(tái)服務(wù)器進(jìn)行數(shù)據(jù)交互，可實(shí)現(xiàn)對(duì)無線網(wǎng)絡(luò)的檢測(cè)與分析[5]。考慮到當(dāng)前終端應(yīng)用市場(chǎng)所呈現(xiàn)出的多樣化、細(xì)分化的局面，無線網(wǎng)絡(luò)中用戶的社會(huì)關(guān)系相對(duì)于傳統(tǒng)網(wǎng)絡(luò)社會(huì)關(guān)系更加具有高維復(fù)雜性、環(huán)境感知性、關(guān)系隱藏深等諸多特性。因此，實(shí)驗(yàn)在現(xiàn)有研究基礎(chǔ)上，引入近百種主流手機(jī)應(yīng)用的特征參數(shù)數(shù)據(jù)庫(kù)，實(shí)現(xiàn)還原用戶基于終端應(yīng)用的網(wǎng)絡(luò)行為，統(tǒng)計(jì)常規(guī)網(wǎng)絡(luò)信息，并分析用戶群體特征與行為特征，有助于改善用戶體驗(yàn)，創(chuàng)造用戶與第三方服務(wù)商的共贏局面。

文中首先分析了無線網(wǎng)絡(luò)機(jī)制下的數(shù)據(jù)采集技術(shù)和超文本傳輸協(xié)議，介紹了基于加權(quán)相似度的用戶行為分析方法；然后設(shè)計(jì)實(shí)驗(yàn)，給出實(shí)驗(yàn)數(shù)據(jù)并做出分析，驗(yàn)證方法的有效性；最后提出了對(duì)所用方法的改進(jìn)并總結(jié)了無線網(wǎng)絡(luò)的使用特點(diǎn)，為防范用戶隱私泄露提出了幾點(diǎn)建設(shè)性意見。

1 相關(guān)工作

1.1 無線局域網(wǎng)數(shù)據(jù)采集技術(shù)

無線局域網(wǎng)使用無線通信技術(shù)將計(jì)算機(jī)等多種網(wǎng)絡(luò)設(shè)備互聯(lián)起來，構(gòu)成可以實(shí)現(xiàn)數(shù)據(jù)通信與資源共享的網(wǎng)絡(luò)體系。通常由無線站點(diǎn)(station，STA)、無線接入點(diǎn)(access point，AP)以及一些相關(guān)網(wǎng)絡(luò)設(shè)備構(gòu)成。STA一般是指智能終端或者配備無線網(wǎng)卡的PC機(jī)等，AP是指無線路由器、無線網(wǎng)橋或者無線網(wǎng)關(guān)，在無線網(wǎng)絡(luò)中主要充當(dāng)交換機(jī)的角色。

無線局域網(wǎng)采用單元結(jié)構(gòu)，整個(gè)網(wǎng)絡(luò)系統(tǒng)被劃分成多個(gè)單元，每個(gè)單元被稱為基本服務(wù)集(basic service set，BSS)。每個(gè)BSS由一個(gè)AP控制，此AP負(fù)責(zé)該BSS下所有STA的接入認(rèn)證、網(wǎng)絡(luò)通信以及流量控制。每個(gè)BSS的AP通過分布式系統(tǒng)(distribution system，DS)相連，組成擴(kuò)展服務(wù)集(extended service set，ESS)，使得STA可以在ESS內(nèi)不同的BSS之間進(jìn)行漫游。

當(dāng)STA接入無線網(wǎng)絡(luò)后，AP會(huì)以廣播的形式進(jìn)行數(shù)據(jù)消息的交換，這使得BSS范圍內(nèi)所有的STA均可以收到數(shù)據(jù)報(bào)文。在正常工作模式下，網(wǎng)卡雖然能收到網(wǎng)絡(luò)中所有的數(shù)據(jù)報(bào)文，但需要將數(shù)據(jù)包的目的MAC地址與自身MAC地址進(jìn)行比對(duì)，相同才接收并進(jìn)行相應(yīng)處理，不相同則直接丟棄。而無線局域網(wǎng)下的數(shù)據(jù)采集技術(shù)是將網(wǎng)卡設(shè)置工作在射頻監(jiān)聽模式(混雜模式)，使得網(wǎng)卡可以接收網(wǎng)絡(luò)內(nèi)所有正在傳輸?shù)臄?shù)據(jù)包，而不能發(fā)送數(shù)據(jù)包[6]。為了獲得較好的移植性，文中采用WinPcap進(jìn)行數(shù)據(jù)采集[7]。WinPcap可以在內(nèi)核態(tài)直接對(duì)數(shù)據(jù)包進(jìn)行預(yù)處理，與把數(shù)據(jù)包從內(nèi)核中復(fù)制到用戶空間中再處理相比較，提高了數(shù)據(jù)采集的運(yùn)行性能。

1.2 超文本傳輸協(xié)議

現(xiàn)階段手機(jī)應(yīng)用與后臺(tái)服務(wù)在進(jìn)行數(shù)據(jù)通信時(shí)大多會(huì)選擇超文本傳輸協(xié)議(hypertext transfer protocol，HTTP)。HTTP協(xié)議作為應(yīng)用層的主要協(xié)議，采用請(qǐng)求/響應(yīng)模型來傳輸包括文本信息與多媒體信息在內(nèi)的所有資源。當(dāng)用戶向網(wǎng)站服務(wù)器請(qǐng)求服務(wù)時(shí)，只需要傳送請(qǐng)求方法以及資源的路徑，便可以獲得相應(yīng)的資源。

應(yīng)用協(xié)議所規(guī)定的唯一資源定位符(uniform resource locator，URL)格式為HTTP://主機(jī)[“:”端口][路徑]，其中HTTP是表示通過HTTP協(xié)議定位網(wǎng)絡(luò)資源，主機(jī)是表示因特網(wǎng)的主機(jī)域名或IP地址，端口是表示終端所使用的端口號(hào)，路徑則表示指定資源的路徑[8]。因此，分析數(shù)據(jù)包中的URL，對(duì)資源進(jìn)行重組，可以實(shí)現(xiàn)還原用戶搜索詞、用戶瀏覽信息、用戶訪問網(wǎng)站、用戶歷史記錄等多種用戶行為[9]。

1.3 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是指使用計(jì)算機(jī)程序來模擬人類學(xué)習(xí)的方式，獲取新知識(shí)、新規(guī)則或者新技能，如今已經(jīng)成為人工智能領(lǐng)域的一個(gè)重要組成部分。機(jī)器學(xué)習(xí)按照其學(xué)習(xí)形式，即數(shù)據(jù)集中經(jīng)驗(yàn)包含的情況，可以分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩種。監(jiān)督學(xué)習(xí)，需要對(duì)訓(xùn)練樣本集中的給定樣本提供確切的輸出結(jié)果，根據(jù)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，通常包含分類問題和回歸問題。非監(jiān)督學(xué)習(xí)，也成歸納學(xué)習(xí)，直接對(duì)無類別標(biāo)簽的數(shù)據(jù)樣本進(jìn)行識(shí)別，預(yù)測(cè)樣本類型，其中最典型的一類問題就是聚類問題。

聚類是將數(shù)據(jù)集分成若干個(gè)簇，要求在某種度量標(biāo)準(zhǔn)下同簇內(nèi)的相似度足夠大，而不同簇間的相似度足夠小。聚類根據(jù)數(shù)據(jù)間具有的某種潛在聯(lián)系或者相關(guān)性，對(duì)數(shù)據(jù)集進(jìn)行合理的組織以及摘要，便于發(fā)現(xiàn)數(shù)據(jù)集中的隱含信息。由于其具有的靈活性和自動(dòng)化處理能力，廣泛應(yīng)用于搜索引擎、數(shù)字圖書館、數(shù)據(jù)分析等多個(gè)領(lǐng)域。文中采用高精度的K-means聚類算法，對(duì)用戶行為關(guān)鍵詞進(jìn)行文本聚類，實(shí)現(xiàn)對(duì)用戶行為的分析。

2 基于加權(quán)相似度的用戶行為分析方法

互聯(lián)網(wǎng)具有用戶群體廣泛、用戶行為活躍、用戶記錄完整等多種社會(huì)特性，這為研究社會(huì)網(wǎng)絡(luò)中的社會(huì)群體提供了一個(gè)較為理想的環(huán)境。網(wǎng)絡(luò)用戶行為包括用戶在網(wǎng)絡(luò)上發(fā)生的所有行為，如瀏覽、點(diǎn)評(píng)、搜索、社交媒體上的交流、購(gòu)物趨向、收藏等[10]。本實(shí)驗(yàn)主要是從搜索詞、應(yīng)用使用類型和網(wǎng)站瀏覽信息三個(gè)維度來描述用戶行為，搜索詞是指用戶在搜索引擎中搜過的詞句，應(yīng)用使用類型是指用戶使用各類型應(yīng)用所占的比重，網(wǎng)站瀏覽信息是指用戶所訪問的網(wǎng)站及其瀏覽的信息。

為了從上述三個(gè)維度描述用戶，實(shí)驗(yàn)歸納得到了不同應(yīng)用對(duì)不同行為下URL的編碼規(guī)則，并將這些規(guī)則導(dǎo)入特征參數(shù)數(shù)據(jù)庫(kù)，使其作為匹配、解碼并提取用戶行為關(guān)鍵詞的工具。特征參數(shù)數(shù)據(jù)庫(kù)涵蓋市場(chǎng)主流的近百種應(yīng)用，文中將其分為表1所示的8類。這8類應(yīng)用從性質(zhì)、關(guān)注人群和側(cè)重點(diǎn)上均有所不同，所還原的用戶網(wǎng)絡(luò)行為、各類資源的關(guān)注程度、使用流量類型具有代表性，能夠反映出個(gè)性用戶群體的不同需求，從而有效地掌控全局用戶的宏觀行為。

表1 應(yīng)用類型及示例

特征參數(shù)數(shù)據(jù)庫(kù)中的每一條記錄由應(yīng)用名、行為類型、主機(jī)地址、路徑格式、特征參數(shù)以及編碼類型構(gòu)成。通過在不同類型終端下的多次測(cè)試，數(shù)據(jù)庫(kù)準(zhǔn)確記錄下同種網(wǎng)絡(luò)行為的多種參數(shù)。表2給出了部分瀏覽器類應(yīng)用的特征參數(shù)記錄。以百度引擎為例，當(dāng)用戶使用百度引擎搜索某個(gè)關(guān)鍵詞時(shí)，可以將URL與數(shù)據(jù)庫(kù)中記錄進(jìn)行匹配，一旦匹配成功，便可用對(duì)應(yīng)編碼類型來解碼特征參數(shù)后字符串，從而實(shí)現(xiàn)還原用戶搜索詞。

表2 瀏覽器類常用特征參數(shù)

基于加權(quán)相似度的用戶行為分析方法的核心是挖掘同一網(wǎng)絡(luò)下的用戶之間的隱性連接關(guān)系和潛在興趣趨向。此方法將改進(jìn)后的詞頻-逆文檔頻率(term frequency-inverse document frequency，TF-IDF)與高精度的K-means聚類算法相結(jié)合，可將用戶劃分為聯(lián)系更加緊密的團(tuán)體。

TF-IDF用來評(píng)估每個(gè)用戶行為關(guān)鍵詞對(duì)于整個(gè)數(shù)據(jù)集(全體用戶行為關(guān)鍵詞)的重要性，其核心思想是：關(guān)鍵詞的重要性隨著它在單個(gè)用戶文本矩陣中(對(duì)單個(gè)用戶行為關(guān)鍵詞切分、去除停頓詞后形成的矩陣)出現(xiàn)的次數(shù)呈正比增加，但會(huì)隨著它在整個(gè)數(shù)據(jù)集中出現(xiàn)的頻率呈反比下降。通過計(jì)算用戶文本矩陣中所有關(guān)鍵詞的TF，可形成代表用戶的詞頻向量，從而將對(duì)用戶文本矩陣相似度的計(jì)算轉(zhuǎn)化為對(duì)用戶詞頻向量的計(jì)算。數(shù)學(xué)中常用余弦相似度來測(cè)量?jī)蓚€(gè)向量之間的夾角，因此改進(jìn)后的余弦IDF值可以表示為：

實(shí)驗(yàn)聚類部分選擇了基于劃分的非監(jiān)督K-means聚類算法。該算法先將數(shù)據(jù)集劃分成若干個(gè)分組并初始化每個(gè)分組的簇中心，然后通過計(jì)算同一分組內(nèi)每個(gè)點(diǎn)到簇中心的距離，不斷改變分組直至方差達(dá)到最小標(biāo)準(zhǔn)，實(shí)現(xiàn)將數(shù)據(jù)集劃分為K組具有相似實(shí)例的簇[12]。作為非監(jiān)督聚類算法，盡管K-means算法對(duì)大規(guī)模文本處理的精度比其他聚類算法較高，但是其關(guān)于K值以及初始化聚類中心點(diǎn)的選取仍會(huì)直接影響到聚類的優(yōu)劣程度。針對(duì)K值的選取問題，文中使用肘部法則，而對(duì)初始化聚類中心點(diǎn)的選取，則采用了K-Center算法，使所有球型聚類簇的最大半徑最小化，以獲得更優(yōu)的初始中心。

綜上，基于加權(quán)相似度用戶行為分析方法可以歸納為三步：第一步，匹配特征參數(shù)數(shù)據(jù)庫(kù)，對(duì)用戶應(yīng)用層網(wǎng)絡(luò)行為進(jìn)行還原；第二步，使用改進(jìn)后的加權(quán)相似度TF-IDF計(jì)算用戶間相似度；第三步，對(duì)用戶進(jìn)行聚類，進(jìn)行用戶簇內(nèi)與簇間的綜合比較。該方法符合當(dāng)前用戶依賴終端應(yīng)用上網(wǎng)的現(xiàn)狀，可獲得對(duì)單一用戶、用戶群體與全局用戶較為貼切的分析。

3 實(shí)驗(yàn)設(shè)計(jì)及數(shù)據(jù)分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)在南京郵電大學(xué)公共無線網(wǎng)環(huán)境下，利用Winpcap網(wǎng)絡(luò)開發(fā)包啟動(dòng)無線網(wǎng)卡的混雜模式進(jìn)行監(jiān)聽，捕獲網(wǎng)絡(luò)中應(yīng)用層HTTP協(xié)議數(shù)據(jù)包。由于用戶行為存在偶然性，不能單純地使用某天某時(shí)的數(shù)據(jù)片面地定位用戶，實(shí)驗(yàn)設(shè)定在學(xué)校固定時(shí)段固定地點(diǎn)進(jìn)行長(zhǎng)期性的數(shù)據(jù)采集。對(duì)于采集得到的數(shù)據(jù)包，提取其有效信息寫成一條記錄存入網(wǎng)絡(luò)日志，供后續(xù)程序讀取。日志格式設(shè)置如下：源IP地址@#目的IP地址@#源MAC地址@#目的MAC地址@#源端口@#目的端口@#Url@#Cookie@#轉(zhuǎn)移地址Refer@#時(shí)間@#數(shù)據(jù)長(zhǎng)度。

考慮到每個(gè)AP都會(huì)使用動(dòng)態(tài)主機(jī)配置協(xié)議(dynamic host configuration protocol，DHCP)來為用戶分配IP，即當(dāng)終端接入無線局域網(wǎng)時(shí)，AP會(huì)從固有IP地址池中分配一個(gè)IP地址供用戶使用，當(dāng)用戶退出網(wǎng)絡(luò)時(shí)，AP會(huì)回收此IP并重新分配給其他用戶。因此，實(shí)驗(yàn)使用終端唯一的MAC地址來過濾網(wǎng)絡(luò)日志，從而達(dá)到了標(biāo)識(shí)用戶的目標(biāo)。

文中通過Python語言實(shí)現(xiàn)基于加權(quán)相似度的用戶行為分析方法。使用jieba分詞庫(kù)提供的精確分詞模式合理切分詞句并去除停頓詞，完成用戶文本矩陣的構(gòu)造；使用sklearn庫(kù)完成TF-IDF相似度計(jì)算、K-means聚類以及PCA降維工作；使用matplotlib繪圖庫(kù)完成對(duì)實(shí)驗(yàn)結(jié)果可視化的繪圖工作。

3.2 數(shù)據(jù)分析

通過過濾和篩選，實(shí)驗(yàn)的數(shù)據(jù)集共涵蓋129名用戶在內(nèi)的10 492條日志記錄，每名用戶的數(shù)據(jù)記錄均超過60條，并涉及多類應(yīng)用，能夠從三個(gè)維度上較為準(zhǔn)確地定位用戶。

作為非監(jiān)督聚類算法，K-means算法的聚類效果直接取決于K值的選取，文中使用了肘部法則(elbow method)來解決這一問題[13]。肘部法則是在K值依次確定(K=1,2,3…)的條件下，計(jì)算所有樣本的畸變函數(shù)(樣本點(diǎn)到其所在簇中心距離的標(biāo)準(zhǔn)平方和)，然后將這些值連成一條曲線，如圖1所示。隨著K值的增多，簇?cái)?shù)的增加會(huì)導(dǎo)致曲線總體呈下降趨勢(shì)，但會(huì)從某個(gè)位置開始下降得較為緩慢，如圖中K=4的位置，此處代表曲線的“肘”點(diǎn)，意味著達(dá)到最佳聚類。因此，實(shí)驗(yàn)選取K=4，將整個(gè)用戶群體劃分為4類。

圖1 K值的選取曲線

為便于將分析結(jié)果可視化，實(shí)驗(yàn)程序中使用PCA將多維數(shù)據(jù)降至二維，得到如圖2所示的用戶簇分布圖。圖中每一個(gè)點(diǎn)均代表一位用戶，每個(gè)點(diǎn)的位置是根據(jù)用戶間相似度得出的相對(duì)位置。觀察可得，圖中有4個(gè)較為集中的簇，簇與簇之間較為獨(dú)立，用不同符號(hào)代表的每個(gè)簇均可代表一類具有相似興趣愛好的用戶群體。

表3給出了4位簇中心用戶的部分文本矩陣，將表3與圖2共同進(jìn)行分析，可得到以下結(jié)論：

(1)就網(wǎng)絡(luò)用戶興趣愛好進(jìn)行分類，該數(shù)據(jù)集將所有用戶劃分成四類，分別是：影視娛樂類用戶、綜合類用戶、時(shí)事新聞?lì)愑脩艉蛯W(xué)術(shù)研究類用戶。

(2)在各類用戶文本矩陣中均存在類似于南京郵電大學(xué)主頁(yè)、查詢課程、教務(wù)處一類的關(guān)鍵詞，這類關(guān)鍵詞屬于整體用戶集的共同特性。從聚類圖中可以看出，這些關(guān)鍵詞對(duì)聚類影響不大，所占權(quán)重較低，符合TF-IDF核心思想。

(3)圖中綜合類用戶簇的位置處于其余三類用戶簇的中間，比較綜合類用戶與其余三類用戶的文本矩陣可發(fā)現(xiàn)均存在部分重疊，因此聚類圖基本體現(xiàn)出數(shù)據(jù)集全體用戶之間的隱形關(guān)系與潛在興趣趨向，能夠?qū)W(wǎng)絡(luò)進(jìn)行綜合性掌控。

圖2 K-means聚類

用戶MAC地址標(biāo)記符號(hào)用戶文本矩陣SamsungE_bc:0f:XX■騰訊網(wǎng)騰訊視頻熱門影視發(fā)布會(huì)搖一搖歡樂頌劉濤海瑟薇計(jì)算機(jī)六級(jí)南郵教務(wù)處97:65:e6:03:49:XX★百度山水圖片百度文庫(kù)課程格子零食音悅臺(tái)習(xí)題答案高數(shù)創(chuàng)新阿里巴巴導(dǎo)航耳釘淘寶Apple_1b:15:XX×新浪新聞騰訊體育NBA全明星今日頭條ofo課程格子川普總統(tǒng)收購(gòu)Google銀行柴靜Apple_a9:c9:XX+微信當(dāng)當(dāng)人間失格百年孤獨(dú)試卷追書神器左耳搖一搖有機(jī)電子 建模復(fù)試實(shí)驗(yàn)MATLAB

為評(píng)判聚類結(jié)果，實(shí)驗(yàn)根據(jù)用戶文本矩陣人工對(duì)用戶進(jìn)行劃分，并將所得數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)進(jìn)行比較。對(duì)比發(fā)現(xiàn)，在上述四類用戶簇中存在聚類的偏差，各類用戶簇的準(zhǔn)確度分別為81.25%、85.71%、78.13%以及91.67%。綜上，整體聚類實(shí)驗(yàn)結(jié)果的準(zhǔn)確性可達(dá)84.49%。

文中將實(shí)驗(yàn)結(jié)果通過友好的可視化圖形展現(xiàn)出來，明確了不同網(wǎng)絡(luò)用戶人群的使用習(xí)慣及特征，這對(duì)未來管理、優(yōu)化網(wǎng)絡(luò)打下了良好的基礎(chǔ)。同時(shí)，實(shí)驗(yàn)結(jié)論與所用方法的核心相一致，使得該方法的合理性以及有效性得到驗(yàn)證。

4 結(jié)束語

文中基于加權(quán)相似度的用戶行為分析方法能夠?qū)Ξ?dāng)前網(wǎng)絡(luò)環(huán)境進(jìn)行全面監(jiān)控以及分析，但同時(shí)其還原用戶網(wǎng)絡(luò)行為部分仍存在數(shù)據(jù)庫(kù)不夠完善，以至于不能成功匹配的情況。該部分內(nèi)容可進(jìn)一步通過長(zhǎng)期的測(cè)試配合解密技術(shù)，擴(kuò)充數(shù)據(jù)庫(kù)內(nèi)特征參數(shù)記錄，解決還原失敗的問題。實(shí)驗(yàn)還可以引入用戶軌跡、用戶定位等其他行為因素，加強(qiáng)用戶群體的社會(huì)性分析。

此外，實(shí)驗(yàn)分析結(jié)果表明，在公共無線網(wǎng)絡(luò)環(huán)境下用戶的隱私安全并不能得到保障。由于惡意用戶在公共網(wǎng)絡(luò)下更容易實(shí)施攻擊，用戶需注意所接入網(wǎng)絡(luò)是否為釣魚接入點(diǎn)并注意在公共網(wǎng)絡(luò)下不要對(duì)陌生軟件進(jìn)行授權(quán)，必要時(shí)用戶可減少公共網(wǎng)絡(luò)的使用頻率。隨著無線網(wǎng)絡(luò)的不斷發(fā)展，該方法不僅可以為用戶提供更加貼切的個(gè)性化服務(wù)，還可以擴(kuò)展至網(wǎng)絡(luò)定位[14]、網(wǎng)絡(luò)監(jiān)控[15]以及網(wǎng)絡(luò)取證[16]等方面，對(duì)防范用戶隱私的泄露和構(gòu)建更加安全的局域網(wǎng)具有實(shí)際意義。

[1] 任 偉.無線網(wǎng)絡(luò)安全問題初探[J].信息網(wǎng)絡(luò)安全，2012(1)：10-13.

[2] 朱建明，馬建峰.無線局域網(wǎng)安全：方法與技術(shù)[M].第2版.北京：機(jī)械工業(yè)出版社,2009.

[3] MUSA A B,ERIKSSON J.Tracking unmodified smartphones using Wi-Fi monitors[C]//ACM conference on embedded network sensor systems.Toronto:ACM,2012:281-294.

[4] CUNCHE M,KAAFAR M A,BORELI R.I know who you will meet this evening! Linking wireless devices using Wi-Fi probe requests[C]//World of wireless,mobile and multimedia networks.[s.l.]:IEEE,2012:1-9.

[5] 趙世功.基于移動(dòng)終端的無線局域網(wǎng)資源監(jiān)測(cè)與分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2015.

[6] 王智明.無線局域網(wǎng)數(shù)據(jù)監(jiān)聽系統(tǒng)設(shè)計(jì)[D].北京：北京郵電大學(xué)，2012.

[7] AN X G,LU X F.Packet capture and protocol analysis based on Winpcap[C]//International conference on robots & intelligent system.[s.l.]:IEEE,2016:272-275.

[8] RESCHKE J.Use of the content-disposition header field in the hypertext transfer protocol(HTTP)[R].[s.l.]:[s.n.],2011.

[9] 董志安，呂學(xué)強(qiáng).基于百度搜索日志的用戶行為分析[J].計(jì)算機(jī)應(yīng)用與軟件，2013，30(7)：17-20.

[10] 毛佳昕，劉奕群，張 敏，等.基于用戶行為的微博用戶社會(huì)影響力分析[J].計(jì)算機(jī)學(xué)報(bào)，2014，37(4)：791-800.

[11] CHENG N N,MOHAPATRA P,CUNCHE M.Inferring user relationship from hidden information in WLANs[C]//Military communications conference.[s.l.]:IEEE,2012:1-6.

[12] 翟東海，魚 江，高 飛，等.最大距離法選取初始簇中心的K-means文本聚類算法的研究[J].計(jì)算機(jī)應(yīng)用研究，2014，31(3):713-715.

[13] BHOLOWALIA P,KUMAR A.EBK-means:a clustering technique based on elbow method and k-means in WSN[J].International Journal of Computer Application,2014,105:17-24.

[14] 孫善武，王 楠，陳 堅(jiān).一種改進(jìn)的基于信號(hào)強(qiáng)度的WLAN定位方法[J].計(jì)算機(jī)科學(xué)，2014，41(6)：99-103.

[15] 胡曉婭，曹連杰.無線局域網(wǎng)背景下的電子郵件監(jiān)控系統(tǒng)研究[J].計(jì)算機(jī)工程與科學(xué)，2010，32(2)：63-66.

[16] 胡東輝,夏東冉,史昕嶺,等.網(wǎng)絡(luò)取證技術(shù)研究[J].計(jì)算機(jī)科學(xué),2015,42(10A):1-22.