近些年来,随着移动互联网技术的发展,人的行为也逐渐开始往数字化方向发展,产生了大量的数据。数据挖掘可以从海量的数据中提取潜在知识,然而也可能侵犯个人隐私。区别于传统的加解密方式,数据挖掘更多的是通过数据关联对用户安全造成影响,本课题通过以数据挖掘获取用户敏感信息的方式,来分析数据挖掘对用户安全带来的潜在危害。首先提出了一种基于用户行为习惯的流量分类系统,该系统首先采集广泛暴露在互联网环境中的网络流量数据,从中提取用户上网流量中的基本协议数据,进行数据清洗和规约等操作,然后通过模式挖掘和关联规则学习等数据挖掘算法提取用户行为特征,建立用户的模式数据库,最后提出模式匹配算法,将未知样本流量中提取的模式与已知的模式库进行匹配从而实现分类;收集了足够的用户浅层信息后,开始针对两类用户敏感信息进行挖掘:预估用户消费情况和预测用户的行为序列。预估用户的消费情况是基于信息关联和统计分析,以及利用贝叶斯公式求得用户购买事件发生的概率,最终给出用户一段时间内总共的消费记录;预测用户行为序列是基于N元语法和马尔科夫预测模型,N元语法是用来将历史数据生成语料库,从而可以求得当前状态的条件转移概率,最终实现预测用户未来的行为序列。最后通过真实的用户上网流量数据进行试验,验证了分类模型和预测模型的有效性。通过成功获取用户部分敏感信息,论证了数据挖掘可以对用户安全造成的很大的影响,同样的方法还可以用来挖掘用户的性别,年龄,职业等。因此大数据环境下用户的隐私安全问题需要引起人们广泛的关注。