摘要：该数据集面向人员行为风险分类、异常行为识别与智能安全监测等机器学习研究任务构建，通过整合数字通信、设备活动、位置移动、账号安全以及关联行为等多维度信息，对个体潜在风险状态进行建模。
数据集概述
该数据集面向人员行为风险分类、异常行为识别与智能安全监测等机器学习研究任务构建，通过整合数字通信、设备活动、位置移动、账号安全以及关联行为等多维度信息，对个体潜在风险状态进行建模。数据集中包含约 18 个字段/特征，涉及可疑联系人通信次数、夜间活动时间、GPS 区域访问情况、加密通信应用使用时长、设备更换、登录失败以及位置变化等信息，并通过 suspicious 字段将样本划分为 安全、监视中和危险三个风险等级。该数据集可用于研究多特征融合条件下的风险分类与异常模式识别方法。
数据结构与关键特征
数据集以单个个体记录作为基本样本，并通过 person_id 建立唯一标识。行为特征主要包括 call_count_with_suspects、night_movements_hours、gps_zone_visits、encrypted_app_usage_hours、device_changes_last_30_days 和 suspicious_contacts_count 等，用于描述通信、移动和设备使用行为；数字安全相关特征包括 account_login_failures、microphone_activation_events 和 camera_activation_events 等；同时包含 social_media_threat_score、military_zone_proximity_score 等评分型变量，以及 last_activity_time、related_person_ids 等时间与关联信息。核心预测标签为 suspicious，其中 0 表示安全、1 表示监视中、2 表示危险，因此可以将该数据集建模为一个典型的三分类监督学习问题。
应用价值与研究方向
该数据集适合用于机器学习风险分类、异常检测、行为模式分析、多源数据融合和安全预警模型研究。在算法层面，可以使用逻辑回归、决策树、随机森林、XGBoost、LightGBM、支持向量机以及神经网络等模型进行三分类实验，并通过 Accuracy、Precision、Recall、F1-score、ROC-AUC 和混淆矩阵等指标评价模型性能。进一步还可以研究特征重要性分析、类别不平衡处理、时序行为建模、关联关系分析以及可解释人工智能等方向。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-749
文件大小：740K
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)