随着计算机网络在日常生活中应用占比越来越重要,人们开始将视线从Web端向移动端转移,无现金支付,二维码等移动端产品逐渐成为生活的必需品。APP之间为了用户量产生了激烈的斗争,随着APP利润的增加,黑产也随之而来,对企业而言,增创收益的同时,也要防止黑产利用不法手段盗取利益。为了能够有效的对抗黑产手段,我们需要深入了解用户的基本特征和黑产的惯用手段,发现正常用户和异常用户的实质区别。拉新-激励业务利益较小,黑产的行为痕迹也不是很明显,但如果可以对异常用户做出准确的识别,针对不同风险类别的用户给出不同的对抗策略,并将理论框架推广到其他业务,保证业务利益,对企业来说有着重要意义。本文基于数据挖掘方法对在线用户操作行为的异常用户进行识别研究,首先使用了Apriori算法和K-means聚类,分别对提取到的特征规则进行分析,评价特征规则以及规则集的合理性,根据置信度和聚类中心,优化特征规则,节省空间储存和减小规则叠加带来的高评分的代价;其次预测用户风险等级,对比了SVM模型,Logistic Regression模型和LightGBM模型在异常用户风险情况的预测结果,最后选择基于SVM模型的SVC算法,相比于其他算法,SVC准确率更高且速度更快,并且采用Rbf核函数的模型效果更佳,正确率达到了0.9715。最后提出了使用贝叶斯网络识别在线用户中隐藏的黑色产业用户,但是效果不是很好,原因是用户的关系网并不是很复杂,围绕一个用户的关系网人数小于1500,不便于贝叶斯网络的分析计算。但是这种方法可以给其他业务提供识别隐藏用户的思路,为异常用户拦截提供决策依据。