随着互联网技术的发展成熟以及软硬件性能的提高,互联网提供的服务日益丰富,互联网应用每时每刻都在产生着大量的数据流量。用户发起Web请求对这些资源进行访问时,域名系统(Domain Name System,DNS)负责将域名解析到对应的IP地址。这些数据携带了用户的行为信息,如访问意图和动机,对其进行研究具有巨大的商业价值和重要的安全意义。然而多数情况下这些数据并不能直接使用,研究数据的有效表示并建立合适的模型,是后续用户个性化行为分析的基础。为此,本文提出了基于词嵌入技术的用户访问行为分析方法。主要工作内容如下:1.分析了目前通过DNS数据对用户访问行为进行研究的现状。一方面现有研究方法往往需要人工提取大量特征及扩展的数据参数,且难以保证高速网络中实时性要求;另一方面由于域名携带信息有限且缺少自然顺序,在以域名数据为研究对象进行可视化和归类分析时面临挑战。2.研究了词嵌入的基础理论和技术,指出用词嵌入技术对复杂环境的上下文进行表示具有显著优势,为仅使用DNS数据对用户访问行为进行研究提供了新思路。3.提出基于词嵌入技术的域名相似性分析方法,对用户的主动访问行为进行分析。采用无监督学习模型Skip-gram获取域名访问序列的词嵌入表示,通过向量运算挖掘域名相似性信息,获取域名间的业务关系,分析用户的访问偏好。实验证实该方法可以有效获取域名的语义相似性信息,能够通过域名语义相似性进一步理解用户访问兴趣。4.提出基于词嵌入技术和长短期记忆(Long Short-Term Memory,LSTM)网络的异常域名检测方法,对用户的被动访问行为进行分析。通过嵌入层对域名进行向量化表示,再结合LSTM模型有效学习域名前后字符的关系,判断正常域名的拼写特征以及僵尸网络域名的伪随机特征,实现对异常域名的检测,发现攻击行为。实验表明通过嵌入层训练出的向量带有学习到的数据特征,结合LSTM网络模型可以更好地适应网络任务,其检测结果准确率高,误报率低,性能更稳定。