近年來，網絡安全事件頻發，不少國內外高校、企業遭到攻擊，大量敏感信息泄露。網絡安全教育作為一項預防性措施，能很大程度上減少網絡安全事件發生，而在作為重要的人才培養基地的高校中，培養和提高網絡安全意識和技能，有助于學生的健康發展。
由于環境的變化和學生的個性化需求，高校傳統的網絡安全教育理念和方式存在局限性。大數據時代，用戶畫像技術是重要的數據分析工具，通過數據采集、處理、提取、構建等操作，實現數據隱藏價值挖掘，為用戶提供針對性的服務。在高校網絡安全教育中應用用戶畫像技術，能夠挖掘出用戶的需求內容，實現資源服務的精準匹配和推送，提高用戶信息化素養和網絡安全意識，不斷完善高校網絡安全教育內容。
在中國知網搜索“用戶畫像、高校”主題關鍵詞，檢索出有關高校領域用戶畫像的研究文獻279篇；搜索“大數據、高校網絡安全”主題關鍵詞，檢索出有關高校領域網絡安全的研究文獻87篇。通過分析和研究已有論文，可以發現國內高校關于網絡安全教育的畫像研究起步較晚，最早報道是2016年，且大部分論文主要研究用戶畫像在高校圖書館、思政教育方面的應用，較少涉及網絡安全教育方面。
鑒于此，本文借鑒國內外專家對用戶畫像在高校教育方面的應用研究，提出基于用戶畫像的高校學生網絡安全素質提升模型，研究大數據畫像在高校網絡安全教育的應用。
用戶畫像概念和構建流程
用戶畫像最早由“交互設計之父”阿蘭·庫珀（Alan
Cooper）在1998年提出，它是通過分析數據建立的用戶模型，是分析用戶真實需求、開展后續服務的有效工具。用戶畫像是大數據的產物，用于分析用戶的社會屬性、興趣愛好、行為特征等，進而得出用戶的真實喜好、行為等；還可以動態收集、分析用戶的變化行為，實時、精準描述和預測用戶需求。庫珀將用戶畫像應用于計算機領域，用于分析用戶需求，改善產品性能。之后其他學者也對用戶畫像理論和實踐內容進行了豐富。
用戶畫像最早采用統計學的方式對用戶進行描述。隨著大數據的發展，可以通過采集各個系統、平臺上的數據預測用戶的需求，以可視化方式展現用戶畫像。用戶畫像構建流程有4個步驟，即數據采集、數據處理、標簽提取、構建用戶畫像。
數據采集是用戶畫像構建的基礎，直接影響用戶畫像的真實性和完整性。為了得到精準的用戶畫像，需要提供的用戶數據多樣、準確、全面。構建的用戶畫像不同，采集的側重點也不一樣。數據處理是構建用戶畫像的重要環節，目的在于挖掘數據的隱藏價值。完成用戶數據采集后，需要對其進行分類，并采取一定的數據處理方式提取用戶特征。數據處理過程包括整理、清洗、過濾、挖掘等，其中，數據挖掘是重點工作，常用算法包括聚類算法、關聯算法、分類算法、神經網絡等。標簽提取是對數據進行整理、聚類、關聯分析、文本分析等操作后，從中提取特征值和關鍵信息，從而形成標簽，得到多維度的用戶描述。構建用戶畫像往往就是用戶信息的標簽化過程，利用大數據技術分析用戶行為、偏好等，做到精準分析和預測，為后續開展個性化和精準服務提供重要的數據支持。
基于用戶畫像的高校學生網絡安全素養提升模型
隨著高校對學生網絡安全素養的要求不斷提高，高校應該以學生為中心，通過分析和挖掘學生畫像數據，利用各類算法模型進行匹配關聯，構建學生網絡安全素養提升模型，如圖1所示。模型分為4個步驟，通過采集學生數據，經過數據標簽化過程，完成用戶畫像構建，然后運用合適的模型算法，向用戶提供智能化服務。
數據采集
高校網絡安全教育的主體是學生，根據學生的用戶屬性和行為方式，將用戶數據分為3個方面：基礎數據、學習數據、行為數據，如表1所示。采集的數據越詳細，用戶畫像越清晰，后期數據分析越準確。
基礎數據主要是對學生個人信息的描述，如姓名、性別、年齡、專業、生源等，這些數據主要來源于學工系統，同時也可以根據實際情況增加需要的項目。
學習數據主要描述學生在學習過程中的行為和偏好，主要包括學生參加的網絡安全方面的課程、實踐課程、工作坊、講座、知識競賽、圖書借閱等。學習數據主要來源于教務系統、工作坊系統、學生社區活動系統、圖書館系統等。
行為數據主要包括學生的安全上網行為數據、門禁出入數據、消費數據等。安全上網行為數據用于描述學生的上網習慣和特征，重點記錄學生學習網絡安全方面的行為數據，包括瀏覽、下載、搜索相關內容、文獻、書籍等，以及不良的上網行為數據，包括訪問黃賭毒等不良網站、刷單行為、挖礦行為、點擊釣魚郵件、泄露個人信息行為等。數據可以通過學校網絡安全設備、上網行為管理設備等安全監管設備搜集。門禁出入數據用于描述學生進出學校、寢室的時間、地點等行為軌跡，數據主要來源于門禁系統。消費數據主要是校園卡消費流水數據，數據來源于校園一卡通系統。
數據標簽化和用戶畫像構建
數據標簽化是指用戶信息的標簽化過程，即將用戶特征信息映射到標簽體系中，包括數據處理和用戶標簽提取，不同的標簽能描述用戶的不同視角。用戶畫像構建則是數據標簽化后的產物，是將數據信息處理、挖掘、標簽化后，構建多維度、全方位的用戶畫像。
數據處理過程中，因為數據來源復雜，來自各個業務系統、數據平臺等，數據類型多樣，有非結構化數據、結構化數據和半結構化數據，所以處理起來比較困難。其中，本文用戶的基礎數據屬于結構化數據，學習數據、行為數據中大部分屬于非結構化數據和半結構化數據。
本文從三個維度對學生建立標簽體系，分別是學生的基礎屬性標簽、學習屬性標簽、行為屬性標簽，如表2所示。基礎屬性標簽是對學生個人信息的描述，標簽有姓名、性別、專業等。學習屬性標簽源于學生所學課程、參加的活動等，反映學生的學習過程及偏好，標簽有網絡安全相關課程學習時長、課程體系學習程度、參加相關活動次數、相關知識競賽得分情況、相關圖書借閱次數、文獻下載數量等。行為屬性標簽來源于學生瀏覽網頁內容、門禁出入、消費等，反映學生上網行為習慣、活動情況、消費情況等，標簽有瀏覽網絡安全相關內容時長、檢索關鍵詞數量、下載資料數量、門禁出入異常記錄數據、消費流水數據。
完成用戶標簽提取后，可以通過各類直觀的方式展現用戶畫像。例如，可以利用直方圖、雷達圖等各類統計圖呈現效果，或者借助標簽云，結合人物圖片和用戶標簽進行呈現。其中，用戶畫像越清晰，對應的特征值和標簽越多，反之則越少。同時，為了深入研究用戶畫像的應用，還需要構建群體畫像，通過歸納總結形成具有相近信息化素養和能力的用戶群體畫像。個人畫像和群體畫像的構建，方便觀察和分析個體與群體的特征及發展趨勢，為后續用戶畫像的應用提供基礎數據。
智慧服務模型算法
為了更好地為學生提供服務，需要構建相關的智慧服務模型，匹配關聯用戶畫像，并不斷完善相關算法。根據用戶畫像模型，采用多種方式相結合的數據挖掘算法，分析和預測用戶的資源需求和行為趨勢，然后通過高效的信息化手段，為用戶提供有價值的信息資源和服務。
構建用戶畫像和資源服務之間的智能推薦模型，根據學生的基礎信息化素養和社交行為數據構建用戶畫像，同時對所提供的課程內容、培訓服務、圖書資料等進行數據分析挖掘，匹配關聯兩者，從而實現精準的網絡安全教育資源推送服務。構建學生個體與群體之間的智能分析模型，根據個體畫像和群體畫像數據，分析預測學生個體和群體的網絡安全素養發展規律，提高網絡安全素養，預防網絡安全事件的發生。
基于內容推薦算法是常用的推薦算法之一，它匹配用戶的喜好和擬推薦內容之間的相似程度，將用戶喜歡的資源內容推薦給目標用戶，實現精準化服務。深度學習算法是近年來系統領域的研究熱點，利用深度神經網絡的強大表征能力，提高預測的準確性和效果。
開展智慧服務
1. 為學生推送精準化的網絡安全資源和培訓服務
學生用戶畫像的構建，使得學校開展精準化教學成為可能。高校可以根據學生的特點、需求、愛好等，為學生提供精準化的網絡安全資源和培訓服務。
根據用戶畫像，利用大數據分析，實現精準化的資源推送。例如，根據學生的專業、年級以及專業課程，為其推送個性化的信息化、網絡安全相關資料；根據學生的興趣愛好，為其推送相關的課程、視頻、課件等。
根據用戶畫像，分析用戶的需求變化，制定相關的培訓計劃，提供精準的服務內容，從而滿足用戶的需求。例如，非電信專業的學生，平時接觸計算機網絡較少，可以根據學生生源、專業等特點，提供對應的信息素養培訓；針對大一新生，推送個性化的培訓、講座、知識競賽等，提高新生的網絡安全意識；通過大數據分析，統計各個分院的網絡安全問題，針對問題較多的學院，制定相應的培訓方案，降低安全事件發生概率。
2. 為學生制定個性化的網絡安全教育策略
利用學生用戶畫像開展教學活動，提高學生網絡安全防范意識和能力，構建一個以提升學生網絡安全素養為目標的教學模式。在日常教學過程和實踐活動中，加入學生畫像，根據學生學習數據、活動數據、互動數據、行為數據等，分析學生的信息化能力和網絡安全意識，推送相關專業課程學習資料，把提升學生網絡安全素養嵌入課堂中。同時也可以根據學生能力范圍、興趣愛好等，把學生分為不同的小組，開展不同類型的教學活動、教學評估，實現個性化教學方式。
為豐富用戶畫像內容，可以將信息素養教學融入學校的第二課堂活動、實踐項目、工作坊等，涵蓋學生的整個學習生涯。分析用戶畫像與群體畫像內容，為學生提供針對性、漸進式的培訓和咨詢，彌補學生的不足之處，鍛煉學生的實踐能力和學習能力。
3. 輔助管理層制定科學的決策
大數據畫像技術不僅在學生教學的精準化、個性化方面發揮重要作用，對于管理層而言，還起到輔助科學決策的作用。學校的領導者通過數據分析和挖掘學生畫像，可以知道每個分院學生對信息化素養和網絡安全的了解程度，從頂層設計出發，制定相應的人才培養方案和課程設計。信息化工作者通過分析個體畫像和群體畫像，從網絡安全角度出發，制定相應的防護措施和策略，增添防火墻、審計設備、監管設備等，制定細化的黑白名單策略，重點關注網絡安全意識不足的分院和對象，降低網絡安全風險。分院學工老師通過對學生數據長期、持續追蹤和分析，動態調整網絡安全教育策略，同時重視學生反饋，做好反饋機制，針對性地為學生提供更具有價值、更貼近學生需求的教育服務，提高學生體驗感。
4. 動態預測趨勢，開展針對性措施
利用用戶畫像還能動態預測用戶個體和群體的發展規律。通過分析用戶畫像和動態數據，可以檢測追蹤學生群體的變化規律和群體性特征，依據學生群體的變化特征，動態調整相應的教學方案和計劃，保障教學質量，提高教學效率。
同時，大數據畫像技術還可以用于預測趨勢，對于有潛在網絡安全風險的個體或群體，及時做出針對性干預，給出個性化的防范建議和服務推送。例如，對于非工科類專業學生，積極推送個性化的學習資源和培訓服務，防患于未然；對學生上網行為數據進行實時追蹤和分析，發現學生訪問不良網站時，及時采取相應的措施，如彈窗警告、短信通知等，糾正學生的錯誤行為；對一卡通、微信、支付寶等消費交易數據進行分析和追蹤，重點關注大額消費和突發性消費。
結束語
信息化的飛速發展對大學生網絡安全教育提出更高的要求。加強大學生的網絡安全教育，既是培養新時代高素質人才的需求，也是穩定校園環境、保障學生安全的需求。在大數據時代，傳統的網絡安全教育模式亟待改變，大數據畫像技術在高校網絡安全教育的應用打破了傳統的教育模式，利用大數據平臺對用戶數據進行充分挖掘，教育過程從“經驗型”模式向“數據支持型”模式轉變，使得決策更加科學和有效。利用大數據畫像技術，能在海量的信息中挖掘出潛在的價值，即學生的個體和群體特征，為學生提供精準的個性化推送，制定專門的教學方式，為個性化教學提供基礎保障。利用大數據畫像能夠提高教學效率，實現數字化教育新模式。
來源：《中國教育網絡》2024年8月刊
