moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2021.35.4.007 977 Сравнение методов кластеризации DBSCAN и модифицированного WrapDBSCAN для поиска аномальных перемещений пользователей в мобильной UBA системе Comparison of clustering methods DBSCAN and modified WrapDBSCAN to find abnormal user movements in the mobile UBA system 0000-0002-0616-6875 Савенков Павел Анатольевич Savenkov Pavel Anatolevich pavel@savenkov.net aff-1 Тульский государственный университет, Кафедра "Вычислительная техника" Tula State University, Departament of Computer technology 01 01 2026 1 1 10.26102/2310-6018/2021.35.4.007 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Одной из актуальных проблем в имеющихся системах анализа поведения является извлечение признаков аномальной активности деятельности пользователей из больших массивов входных данных. Проблема, решаемая в данном исследовании, основана на невозможности поиска аномальной активности пользователей по их перемещениям в связи с высокой вариативностью входных данных. Целью исследования является разработка модифицированного метода плотностной кластеризации для применения в мобильной системе поведенческого анализа с использованием методов и алгоритмов машинного обучения для нахождения отклонений в поведении пользователей по их перемещениям. В статье осуществляется сравнительный анализ методов плотностной кластеризации, применяемых в разрабатываемом программном комплексе поиска аномалий в поведенческих биометрических характеристиках пользователей системы. Осуществляется сглаживающая интерполяция входных данных. Описывается результат поиска аномалий модифицированным методом пространственной кластеризации с различными входными параметрами и осуществляется сравнение результатов с базовым методом. Благодаря использованию разработанного метода пространственной кластеризации достигнуто повышение качества анализа аномальной активности в деятельности пользователей по их перемещениям. Нахождение отклонений в собранных данных обеспечит своевременное реагирование администратора системы на отклонения от поведенческого профиля пользователя.

One of the urgent problems in the existing systems of behavior analysis is the extraction of signs of anomalous activity of user activity from large arrays of input data.The problem solved in this study is based on the impossibility of searching for anomalous activity of users by their movements, due to the high variability of the input data. The aim of the study is to develop a modified density clustering method for application in a mobile system of behavioral analysis using machine learning methods and algorithms to find deviations in user behavior based on their movements. This article provides a comparative analysis of the density clustering methods used in the developed software package for searching for anomalies in the behavioral biometric characteristics of system users. Smoothing interpolation of the input data is performed. The results of searching for anomalies by the modified method of spatial clustering with different input parameters are described and the results are compared with the basic method. Thanks to the use of the developed method of spatial clustering, an increase in the quality of the analysis of anomalous activity in the activities of users on their movements has been achieved. Finding deviations in the collected data will ensure a timely response of the system administrator to deviations from the user's behavioral profile

 машинное обучение большие данные наука о данных программное обеспечение информационная система неструктурированные данные поведенческий анализ Поведенческая биометрия Биометрические характеристики Искусственный интеллект machine learning big data data science software information system unstructured data behavioral analysis behavioral biometrics biometric characteristics artificial intelligence Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Dhiman C., Vishwakarma D. K. A review of state.of.the.art techniques for abnormal human activity recognition. Engineering Applications of Artificial Intelligence. 2019;(77):21-45. Shaw E. D. et al. Behavioral risk indicators of malicious insider theft of intellectual property: Misreading the writing on the wall .White Paper, Symantec, Mountain View. 2011. Carmagnola F., Cena F. User identification for cross-system personalisation. Information Sciences. 2009;(179):16-32. Shashanka M., Shen M. Y., Wang J. User and entity behavior analytics for enterprise security. 2016 IEEE International Conference on Big Data (Big Data). – IEEE. 2016:1867-1874. Ivutin A. N., Savenkov P. A., Veselova A. V. Neural network for analysis of additional authentication behavioral biometrie characteristics. 2018 7th Mediterranean Conference on Embedded Computing (MECO). – IEEE. 2018(8):1-3. Mon T. L. L. Analysis of Trajectory Cleaning Based on DBSCAN and CB-SMOT Clustering Algorithms. International Journal of Advanced Research in Technology and Innovation. 2020(2):35-41. Savenkov P. A., Ivutin A. N. Methods of Machine Learning in System Abnormal Behavior Detection. International Conference on Swarm Intelligence. Springer, Cham. 2020:495-505. Huang F. et al. Research on the parallelization of the DBSCAN clustering algorithm for spatial data mining based on the Spark platform. Remote Sensing. 2017(9):1301. Akutota T., Choudhury S. Big data security challenges: An overview and application of user behavior analytics. Int. Res. J. Eng. Technol. 2017(4):1544-1548. Touma M. et al. Framework for behavioral analytics in anomaly identification. Ground/Air Multisensor Interoperability, Integration, and Networking for Persistent ISR VIII. – International Society for Optics and Photonics. 2017(10190):101900H.

The authors declare that there are no conflicts of interest present.