在当前互联网时代,越来越多的网络安全问题困扰着人们。随着在真实的互联网场景下进行网络攻防演练、安全测试等实验的需求日益增长,网络靶场平台应运而生。互联网靶场中,用户细粒度行为模拟是前景行为模拟的重要组成部分。在以往的研究中往往基于脚本编写的方式生成特定场景下的行为或者依据用户行为习惯,以概率的方式进行模拟。但是两者都有共同的缺点,即无法实现模拟中的“仿真”性和普遍性。因此,本文将重点针对网络用户的细粒度行为,即个体用户行为进行研究。首先,本文对用户细粒度行为进行了分析,概括了当前的研究现状以及研究方法,确定了本文行为模拟系统的需求。基于用户软件行为模拟和时间行为模拟两种研究路线,确立本文所需要的技术和系统流程。而后,本文将软件行为模拟分为多应用间行为序列模拟以及单软件内操作序列模拟并依据两种模拟方式给出不同的机器学习算法模型。多应用间行为模拟采用Leak GAN模型,但是在软件内进行操作行为模拟的时候,Leak GAN网络生成的事件点击行为并非全部都是可实现的点击序列。故本文引入强化学习模型,创造性地将Q-Learning与带有信息泄露的生成对抗网络相结合以实现用户软件行为模拟。实验证明,本文采取的模型可以以数据分布相关性系数达99%以上的概率拟合互联网中的真实用户行为。在时间行为的模拟中,采用ARMA算法模型基于时间序列的方式对用户的时间行为进行拟合,训练之后的模型可以对用户未来的时间行为进行预测。实验效果通过多种方式验证,结果显示此模型能够凭借真实的时间数据给出拟合程度较高的模型。最后,基于本文的研究成果,设计并实现了一个用户细粒度行为模拟的系统平台。该系统可以根据用户的使用需求进行有针对性的实现行为模拟过程,将拟合的结果以界面的可视化方式展现给用户。