社交网络用户身份识别是网络用户研究的一个重要领域,在跟踪用户行为、检测非法活动中发挥着重要的作用。然而在现有的用户识别方法中,用户信息的收集存在一定困难,因此大部分方法属于课题研究,处理数据量较少,难以用于实际工程领域。现有方法的识别准确率有待提高。因此对网络用户识别算法进行研究,设计实现一套能够应对大规模数据处理的高精度的网络用户识别系统成为了一个重要的研究方向。本文对网络用户识别中的Learning from Positive and Unlabled Example(PU_learning)算法进行了研究和改进,并设计实现了一套基于行为相似性的网络用户识别系统。本文所做的工作及取得的成果如下:(1)在充分调研网络用户识别、机器学习等相关算法和技术的基础上,理清现有方法与技术的不足,重点研究了半监督学习领域的应用。(2)改进了 PU_learning算法。从时间和空间的角度出发设计用户行为特征,将传统的PU_learning算法与GBDT(梯度提升决策树)结合,以迭代训练的方式逐步提高模型精度,用于识别跨平台的网络用户。实验结果表明,改进后PU_learning算法的准确率、召回率分别有1%、3%的提升。(3)设计实现了基于行为相似性的网络用户识别系统。从原始流量捕获出发,设计实现了流量捕获、用户信息匹配、模型训练与预测模块,重点解决了用户信息匹配模块中的HTTP流还原问题和模型训练与预测模块中ETL特征提取和模型训练精度提升问题。在大数据背景下,引入了 Hadoop和Hive作为数据的处理平台与工具,保证了系统高效稳定的运行。(4)对系统各功能模块进行测试。结果表明,基于行为相似性的网络用户识别系统功能稳定,识别结果准确。用户信息匹配过程中流量解析速率达到1.6Mbit/s左右,ETL能在一小时内处理两个千万数据级别的网络平台特征数据提取。本文对基于行为相似性的网络用户识别系统设计与实现过程中存在的问题进行了总结分析,提出了改进思路与方法,对后续工作提出了展望。