本文主要研究针对航空公司大型网站业务的异常访问行为,旨在通过本文的研究,识别网站安全风险,在大型航空公司企业风险管理中,帮助企业减少技术风险。通过研究基于网站业务的异常访问行为所关注的相关业务,提高企业网站安全管理的能力,使得航空公司可以更好地保护自身的网站信息资产,减少网站安全风险造成的直接或者间接的经济损失。本文首先收集了A航空公司海外官网超过一个月的全量访问日志信息,通过kafuka集群实时分发到大数据集群中保存。然后对原始数据进行打标。接着对于打标以后的原始数据进行聚类,期间采用人工介入的方式对于各种聚类算法的结果进行调整和优化,尝试算法超过5种,最后除了正常访问以外得到6类异常访问行为。再然后将原始的打标数据与6类异常访问行为对应后再对数据进行整理和归并,尽可能减少在总体分布中比例过小的变量,为后续的回归计算进行准备。数据整理完成后,通过逻辑回归和多类别逻辑回归模型在云平台上对于6800万条数据进行回归计算,最终得出对于异常访问的回归结果。之后根据计算结果,结合海外官网的业务进行分析,总结对于控制异常访问风险的管理启示,从而实现本文的研究目标。通过本文的研究,证实了基于网站业务的异常访问对于海外官网带来了很高的安全风险,明确了异常访问最感兴趣的网站业务,了解了异常访问的来源,知晓了各个地区访问的风险程度,找出了2个大型异常访问的源头,分析了各异常访问之间以及异常访问与普通访问之间的区别。最终对于A航空公司整体网站安全风险以及海外官网的安全风险提出了多项管理措施。本文的新意在于研究了业务角度的异常访问行为,且研究之前是不知道具体存在哪些异常访问的行为的,在聚类的阶段采用了有监督与无监督相结合的人工智能学习方式,之后通过计量经济的模型对于聚类结果进行回归分析,从而得出风险的影响因素,期间不设任何假设以及限制,使得本文中的研究方法具有较强的普适性,对于基于网站业务的异常访问的发现以及相应的风险管理有参考意义。