WEB会话识别实验

WEB会话(Session)通常指的是用户在浏览某个WEB站点时，从进入网站到离开该站点所经过的这段时间，也就是用户浏览这个网站所花费的时间。然而，由于HTTP是无状态的协议，就是说每个请求都是分开和独立的，服务器无法区分两次请求是否属于同一个会话。WEB服务器的日志也只是记录了请求的相关信息，包括用户IP、请求时间、请求类型、请求URL、协议、状态和文档大小等，如下所示:
202.122.32.110 - - [22/Apr/2007:18:13:34 +0800] "GET /index.html HTTP/1.1" 200 3383

　　许多对WEB访问的统计分析和模式挖掘，都建立在WEB日志基础上的，并以会话为基本单元进行处理。因此，WEB会话识别是WEB数据挖掘等研究工作的前提，是数据预处理的重要组成部分，它直接影响着挖掘的效果。可是，从WEB日志中我们无法对WEB会话进行正确的识别。目前，通常采用的WEB 会话识别方法主要有时间阈值（Timeout）、最大向前引用(Maximal forward reference）。然而，这两种方法都不能很真实地反映用户的浏览习惯和访问模式，会话识别正确率比较低。

　　我从概率统计的角度出发，用另一种数学模型来进行会话识别。为了验证这种方法的有效性，我首先需要得到真实的会话集合。但从当前的WEB日志中无法得到，因此设计了本实验，通过实时记录用户会话信息来识别出原始的会话集合。