移动云计算是随着云计算和移动互联网的不断发展和融合而产生的一种新型应用模式。这种新型应用模式突破了终端硬件的限制,使得移动终端更易实现便携数据存取、智能负载均衡,降低管理和按需服务成本。移动云服务带来便利的同时使得在“用户-环境-服务”三个层面更易出现安全问题,因此,如何在云服务进入实质性服务流程之前甄别用户身份及其行为的可信程度成为核心问题。为了解决上述问题,本文从用户可信性角度出发,采用递进方式研究移动云环境下的用户异常行为检测方法。本文的主要贡献与研究工作如下:1.针对识别异常用户行为常采用的聚类分析和相似性计算存在过拟合和特征信息淹没等问题,提出一种基于神经网络聚类的用户异常行为分析方法。该方法采用SVD分解进行降维和去噪,将信息熵引入神经网络的隐含层进行软化分,并利用信息熵求得的权重因子进行相似性计算。仿真结果表明,该方案可以明显提高检测速度和聚类精度,更适用于移动云环境。2.为了解决研究内容1中采样率不均造成的不平衡数据学习问题,提出一种基于信誉投票的用户行为异常协同分析方法。该方法结合异常检测与误用检测技术,利用采样率与剪枝技术构造训练样本,采用集成分类器进行投票以分类用户行为。在此基础上,基分类器根据信誉值对用户行为进行投票,投票机制遵循少数服从多数的原则,进一步提高识别速度的基础上提升了检测精度。3.为了能够提前判定用户行为的异常与否及用户意图,提出一种基于模式增长的异常行为识别与自主优化方法。该方法首先采用分层匹配的方法判定是否超出可信容忍范围;其次,采用功能流和数据流的分析方法对判定后的用户行为进行扩散分析;最后采用模式增长的方法构建较完备的正常结点子图集和异常影响结点子图集,实现对用户行为的自主提前判定。在移动云服务环境下识别异常行为已成为移动云计算领域的核心问题,本文针对用户的历史行为数据分析挖掘其行为模式,从而根据已有行为模式分析并识别异常行为。本文的研究方法保障了用户对服务实施的操作总是处于用户所属规则允许范围内,为移动云服务向用户提供低耗、高效、可靠的服务奠定了基础。