使用GNN与RNN实现用户行为分析

随着国家高性能计算环境(CNGrid)各个节点产生日志数量不断增加,采用传统的人工方式进行用户行为分析已不能满足日常的分析需求.近年来,深度学习在入侵检测、图像识别、自然语言处理和恶意软件检测等与计算机科学相关的关键任务中取得了良好的效果.演示了如何将深度学习模型应用于用户行为分析.为此,在CNGrid中对用户行为进行分类,提取大量绑定到会话的用户操作序列,然后将这些序列放入抽象的深度学习模型中.提出了一种基于图神经网络(GNN)和循环神经网络(RNN)的深度学习模型来预测用户行为.图神经网络能够捕捉用户局部行为的隐藏状态,可以作为预处理步骤.循环神经网络能够捕捉时间序列的信息.因此,通过将GNN和RNN相结合的方式来构建该模型,以获得两者的优点.为了验证模型的有效性,在CNGrid的真实用户行为数据集上进行了实验,并在实验中与多种不同的其他方法进行对比.实验结果证明了这种新的深度学习模型的有效性.