互联网规模不断扩大,网络业务和网络用户呈现出爆发式的增长,利用网络平台实施犯罪的违法行为也在日益增加,类似于网络诈骗等犯罪行为带来了比较恶劣的社会影响,增加了社会的不稳定因素。从网络安全的角度出发,要求网络能够实现对用户细粒度、精细化的管理,但是目前用户监管机制受限于网络中复杂的数据传输模式,无法满足这种精细化管理的需求。因此为了满足信息网络进一步发展的需要,实现对用户精细化管理,本文基于标识网络设计并实现了一个拥有多维特征的用户监管系统,该系统可以细粒度准确地描述用户特征,为实现整个网络的细粒度可管可控提供用户层面的数据支持。本文提出的多维特征用户监管系统通过网络用户的接入认证得到用户的基本信息,接着通过分析用户的网络数据得到用户行为信息,从这两个角度对网络用户身份信息进行结构化存储,从而生成用户身份标签信息,该标签被网络访问控制决策者用于制定访问控制策略。具体工作内容如下:(1)分析用户身份管理及用户行为分析的现状,结合大数据场景与系统需求,设计并实现标识网络中基于多维特征的用户监管系统。在该系统中引入大数据平台和计算框架,设计分布式的用户流量存储模型,使得该系统能够承载复杂且海量的网络数据;提出数据并行处理方案,使得系统实现中所用技术手段和算法模型能够应用在高效并行的网络环境中。(2)从静态和动态两个角度完成对用户信息的收集,细粒度地刻画用户属性,为网络访问控制模型提供用户多维的特征信息。其中用户静态信息采用接入认证的方式,通过用户注册的方式获取。用户动态信息需要对用户产生的流量数据进行分析,重点分析用户兴趣度和置信度,并提供与网络访问控制中的服务子系统与策略子系统的交互接口。(3)对K-means算法进行并行优化,设计实现基于Spark平台的用户兴趣度聚类算法,用于高效地从用户搜索关键词中得到用户兴趣度,解决单节点进行K-means聚类计算性能的瓶颈。对卷积神经网络算法进行并行优化,设计基于Spark平台的网络流分类算法,同时结合Spark Streaming框架用于网络流实时分类,用于解决海量网络流的实时分类问题,测试结果表明算法有着良好的准确率和实时性。