借用资质承揽工程行为的认定要点有哪些？.docx

针对数据库用户行为异常导致数据库泄露问题，提出了一种基于K-means和naive Bayes算法的数据库用户异常检测方法。首先，利用数据库历史审计日志中用户的查询语句与查询结果，采用K-means聚类方法得到用户的分组；然后，使用naive Bayes分类算法构造用户异常检测模型。与单独使用naive Bayes分类法构造的模型相比，在数据预处理时其精简了用户行为轮廓的表示方法，降低了计算冗余，减少了81%的训练时间；利用K-means聚类方法得到用户组别，使检测的精确率提高了7.06%，F1值提高了3.33%。实验证明，所提方法大幅降低了训练时间，取得了良好的检测效果。

智慧政务大数据可视化平台方案 大数据分析可视化平台_分析用户行为.pptx

用户和实体行为分析 通过深度学习进行用户和实体行为分析。 从用户的日常记录中检测用户的异常行为。 内部威胁检测 细节 所有数据均从CERT / R4.2 （ ftp://ftp.sei.cmu.edu/pub/cert-data ）中提取 数据：用于检测的数据。 依赖库 python 3.63-64位 numpy的1.16.4 张量流1.8.0 keras 2.2.2 斯克莱恩0.19.1 使用情况 逐步运行python文件。 请注意，需要分别为不同的用户运行3-Action_Sequence_Training.py和4-Static_Feature_Training.py ，您可以找到user_sets并进行更改。 2-Training_Data_Generating.py还需要在两种要素类型下运行，您可以找到“类型”并进行更改。 该项目中提供的功能和深度学习模型是非常简单的示

基于网络游记的三清山自助旅游者行为特征管理研究.docx

大学生网络道德失范行为的形成机理及其引导研究.docx

炫耀性消费心理对旅游者网络信息分享行为的影响思考.docx

社会关系网络对农户电商行为及收入的影响研究——基于辽宁省草莓主产区数据的调查.docx

移动社交网络平台中顾客参与行为的驱动因素研究——以微信网络市场营销活动为例.docx

网络口碑对成都自驾旅游者决策行为管理的影响研究.docx