اصول و مباني تحليل الگ يا

فايل هاي گزارش وب

حميد رضا جمالياستاديار دانشگاه تربيت معلم تهران

رئيس پژوهشکده علم سنجي و تحليل اطالعات ايرانداک انجمن کتابداری و اطالع رسانی ایران28/3/88

برنامه کارگاه

ابزارهاي تحليل الگ•نمونه ها و قالب هاي الگ•اجزاء تشکيل دهنده •متريک هاي پايه•مشکالت متريکها•متريکهاي پيشرفته•نتيجه•

پيشينه

تمرکز روي ارزيابي کارکرد 70-60دهه •سيستمها

ظهور فهرستهاي آنالين 80 تا اواسط 70دهه •با تاکيد بر استفاده و نيز استفاده کننده

، افزاي تنوع در کاربرد تحليل الگ80دهه • به بعد، تحليل وب الگ90دهه •

مفاهيم(: رايانه اي که يک درخواست از آن ارسال clientکاربر )

مي شود

(: درخواست رايانه يک کاربر براي requestدرخواست )اطالعات

(: رايانه اي که اطالعات را ارسال مي serverسرور )کند

(: يک server transaction logsالگهاي تراکنشي سرور )رکورد از فايلهاي ارسال شده به کاربر توسط سرور

در پاسخ به درخواست رسيده

ابزارهاي تحليل الگ

خودتان يک برنامه بنويسيد• spss يک نرم افزار آماري استفاده کنيد•يکي از نرم افزارهاي تجاري تحليل الگ را •

استفاده کنيد

فرمت يا قالب الگ

فرمت معمولي يا رايج•

فرمت معمولي بسط يافته•

فرمت ترکيبي•

فرمت تغيير يافته•

فيلدهاي فرمت معمولي

• Remote hostname.

• Date

• Request

• Status

• Bytes

نمونه فرمت معمولي

129.22.7.22 - - [30/May/2005:23:30:00 -0700] "GET /cgi/content/full/30/3/667 HTTP/1.1" 200 144369

فرمت معمولي بسط يافته

همان فيلدهاي فرمت معمولي بعالوه موارد زير

Referrer - URL which linked user to site

User agent fields – visitor’s browser

نمونه فرمت معمولي بسط يافته

129.22.7.22 - - [31/May/2004:00:06:39 -0400] "GET /cgi-bin/sciserv.pl?collection=journals&journal=02663538&issue=v61i0006&article=889_tdpogerdp&form=pdf&file=file.pdf HTTP/1.1" 302 5 "Mozilla/4.0 )compatible; MSIE 6.0; Windows 98; .NET CLR 1.1.4322(" "-"

فيلدهاي فرمت ترکيبي

فيلدهاي فرمت معمولي بعالوه موارد زير

referral fieldUser agent fieldcookie field

نمونه فرمت ترکيبي

• 216.37.138.189 - - [19/May/2005:23:52:14 -0700] "GET /content/vol31/issue12/ HTTP/1.0" 200 35221 "http://www.e-poker-777.com/texas-hold-em-online.html" "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; iOpus-I-M)" Qo2JHqtCeZkAAG-MQmI;edmob107j1.JS1

فرمت تغيير يافته يا کاستيومايزد

133.1.155.60 143915 c4aaba66-7c6f-11d7-bb4a-8a0c593caa77 fc0f2bc6-b9e5-11d9-975c-8a0c5905aa77143915 05/01/05 02:09:01 C000011799 298788827 Main_Home_Page 1 y Subject_id 1

Intouchکيوسک

H 03-Nov-2003 Mon 15:48:39 0000 Female 1 under 15D 03-Nov-2003 Mon 15:48:40 0001 1###########################001#XXXD 03-Nov-2003 Mon 15:48:41 0002 #2##########################002#XXXD 03-Nov-2003 Mon 15:48:42 0003 #2-j########################003#XXXT 03-Nov-2003 Mon 15:48:45 0006E 03-Nov-2003 Mon 15:50:48 0129

کيوسک وزارت بهداشت انگليس

2001-07-02 08:28:31 GET /images/moredown.gif 304 2794

2001-07-02 08:28:31 GET /images/print.gif 304 24942001-07-02 08:28:34 GET /images/moredown.gif 304

29842001-07-02 08:28:34 GET

/data/CorneliadeLangesyndrome.xml 304 29942001-07-02 08:28:34 GET /data/caf/c72.htm 304 160

تلويزيون ديجيتال

194.117.134.147 - - [19/Jul/2001:01:02:51 +0000] 'GET http://62.30.31.74/IllnessandTreatment/IT02ac02AppendicectomyOperation2.html HTTP/1.1' 200 0 'http://62.30.31.74/IllnessandTreatment/IT02ac02AppendicectomyOperation.html' 'Mozilla/3.0 (Liberate DTV 1.)' '0050942188C9'

Remote Hostname Internet protocol (IP) Number

شماره آي پي: آدرسي که کامپيوترها را روي اينترنت •به هم متصل مي کند

گروه عدد که با نقطه از هم جدا شده 4متشکل از •اند

( مي توان Reverse DNS lookupبا استفاده از )•اطالعات بيشتري به دست آورد

گاهي آدرس زير شبکه را هم مي توان شناسايي کرد•

Reverse Domain Name Server Lookup

دي ان اس: يک سرويس ثبت و کسب شماره آي پي•• Reverse DNS lookup converts the IP number

into the DNS name this gives:

Name

Organisation Type

Academic, Commercial, Net provider

Country details

DNS Convention

• US آمريکا .com, .edu, .net, .org, .arp

No country extension

• Rest بقيه دنيا .co, .ac, .net, .org,

Country extension - .uk, .cg, in, es, etc

IP – DNS نمونه

128.16.11.103 ezrin.cs.ucl.ac.uk 128.139.23.52 dell-chem-lab2.agri.huji.ac.il 130.216.129.3 ivan.rupenthal.phmcy.auckland.ac.nz 138.47.102.171 tcad10.engr.LaTech.edu 138.37.56.83 Bio-083.bio.qmul.ac.uk 138.48.25.221 biocell-11.biocell.fundp.ac.be 69.138.67.42 pcp08332133pcs.kirkav01.md.comcast.net

بعضي کشورها متفاوت هستند• France navier.xtec.polytechnique.fr • Netherlands bmb09.chem.vu.nl • Norway p01052.hig.no • Finland iodine.abo.fi

تعداد آي پي کشورهادامنه نام کشور تعداد آي

پيUs USA 1,503,565,182

Cn China 204,898,752

Jp Japan 171,443,529

Uk United Kingdom

119,619,056

ir Iran 2,026,743

maxmind.comمنبع:

Date and Time Field

ساعت و زمان دانلود•

Request

اطالعات زير را ثبت ميکند• file name directory extension

يک صفحه شامل تعدادي فايل درخواست شده •است

مثالها

/homehealthcareguide/Chickenpox.htm/output/full2.php?id=13881/images/hphysicspol.gif/images/flwp.gif/content/vol28/issue13/images/small/gkd40002.gif/cgi/content/full/32/11/e92/search/search.php?

keyword=how+many+people+speaks+english&type=or&go=go

توزيع تقريبي

Ext File % of log lines.html HTML 30%.Gifs .JPG Graphics 64%.CSS Style sheets 4%.pl, .js etc. Other 2%

status

يک کد سه رقمي که سرور در مورد درخواست •ثبت مي کند

• 2xx - Client's request was successfully

• 3xx - Further action need

• 4xx - Client Error

• 5xx - Server Error

رايج ترين ها

• OK 200• No Response 204 • Bad request 400• Unauthorized 401 • PaymentRequired 402 • Forbidden 403 • Not found 404 • Internal Error 500 • Service temporarily overloaded 502

200

301

302

304

404

503

100806040200

18

79

نمونه

کدهايي که معموال بررسي مي شوند

• 200 OK

• 304 Not Modified

ديگر موارد که ارزش بررسي دارد• 403 Forbidden – attempted access to

pages requiring authorization

user_agent

• Identity of Web browser and platform used by the visitor to your site

• ("Mozilla/4.05 [en] (WinNT; I)"

referrer آدرس اينترنتي که کاربر را به سايت متصل مي کند

www.google.com/search?hl=en&lr=&q=agnes+b.+%2B++store+locations&btnG=Search"  

search.yahoo.com/search?p=royal+albert+hall+london&toggle=1&ei=UTF-8&pstart=1&fr=FP-tab-web-t&b=231"

www.e-poker-777.com/texas-hold-em-online.html

OUP menusPubMedSearch engineOther

50

40

30

20

10

0

26

10

42

22

Referrer مثال

Cookies

مي HTTPکوکيها اطالعاتي هستند که سرور •تواند به همراه منبع درخواست شده به ماشين

کاربر ارسال کند

مرورگر کاربر ممکن است اين اطالعات را •� هنگام ارسال درخواستهاي ذخيره کند و متعاقبا

پس HTTPبعدي اطالعات آن را به سرور بفرستد

متريک هاي پايه• Hits vs Page views• Use by DNS name, type and country• Time online• Pages viewed over time, by hour, by day• Pages viewed• Referrer • Searches

Hits vs Page views

الگ مشاهده صفحه را ثبت نمي کند. آنچه •ثبت مي شود فايلهايي است که توسط

کامپيوتر کاربر دانلود شده اند. به اينها هيت مي گويند

الگ تعداد زيادي خطوط مربوط به فايلهاي •مرتبط با تصاوير، سي اس اس و غيره

است که بخشهاي يک صفحه وب را تشکيل مي دهند

خطوط مربوط به تصاوير و سي اس اس و •برنامه ها و غيره بايد کنار گذاشته شوند و

آنچه مي ماند نمايانگر مشاهده صفحه است

Hits to Page views

Hits

Less graphic files etc. - 60 to 70%

Incl. Only 200/304 files

Exclude robots

======

Page views

Pages about 20% of original “hits” file

1.7%

7.6%

50.1%

29.9%

2.2%

3.6%

2.3%

2.7%

Other

W Europe

US

UK

N-America

E Europe

Australia/Oceania

Asia

DNS – کشور

.6%

.4%

28.9%

37.3%

32.8%

Non profit

Government

Net provider

Commercial

Academic DNS – نوع سازمان

16000

14000

12000

10000

8000

6000

4000

2000

0

تاريخ استفاده

Sunday

Friday

Thursday

Wednesday

Tuesday

Monday

Sunday

20

15

10

5

0

9

14

16171716

10

روز استفاده

Menus

Search

Unclassified

Research

Health lifestyle exercise

Child Health

General

Pharmacy

Health

News

49

4.3

3.3

3.1

3.1

3.0

2.7

2.6

2.5

2.3

صفحات مشاهده شده بر اساس موضوع و نوع

Name %

ArtcleAbstractContentIssue

60

50

40

30

20

10

0

26

49

17

8

صفحات مشاهده شده، دسته بندي بر اساس نوع محتوا

29.06.200222.06.200215.06.200208.06.200201.06.2002

14000

12000

10000

8000

6000

4000

2000

0

Employee Relations

Int Jrnl of Public

Sector Management

استفاده از دو مجله امرالد

متوسط زمان مشاهده يک صفحه بر حسب ثانيه

• Articles 111

• Abstract 35

• All 24

RegisteredNot registered

100

90

80

70

60

50

40

30

20

10

0

Referrer

External link

OUP menus

Pubmed

Search engine

Other

2217

4025

25

40

1115

Referrer across user type

چند کلمه زياد جستجو شدهhistoryWorldenglishAncientphilosophyromanvictorianwomenfind

مشکالت متريکهاشناسايي کاربران مشکل است•شمارش کاربران دقيق نيست•شمارش صفحات منتقل شده دقيق •

نيستمحاسبه طول زمان مشاهده •

صفحه دقيق نيستاطالعات دي ان اس دقيق نيست•عنوان صفحه و مسير صفحه•معماري وب سايت تأثير دارد•

شناسايي کاربران مشکل است

• Proxy IP numbers

• Floating IP numbers

• Sharing computers

• IP numbers are not a user metric

Proxy IP Numbers

• Proxy IP – a group of computers are routed through a single IP address

روي دقت و صحت تخمين تعداد کاربر تأثير •دارد و تعداد را کم نشان مي دهد

Floating IP Numbers

آي پي شناور: تعداد زيادي کاربر تعداد معدودي •شماره آي پي را با هم شريک مي شوند

باعث تخمين بيش از اندازه تعداد کاربران مي •شود چرا که يک کاربر ممکن است با چند آي

پي به يک سايت رجوع کند.

کامپيوترهاي مشترک )مثل سايت دانشگاه(

باز کردن چند مرورگر يا چند پنجره•استفاده مشترک از يک رايانه•

آي پي ها کاربران نيستند

شماره هاي آي پي نمايانگر اتصال هستند نه •کاربر

شماره هاي آي پي تخمين خوبي از کاربران •نيستند

استفاده مکانيکيروباتها برنامه هايي هستند که صفحات وب •

را نمايه و مانيتور مي کنند• � در فعاليت سايت را مي 40 تا 30تقريبا

توان به روباتها نسبت داد

•RSS automatic feeds صفحات به صورت :خودکار خوانده و روزآمد مي شود و اين باعث تخمين بيش از اندازه و غير واقعي

استفاده مي شود

روباتها چه هستند� موتورهاي جستجو• عموما Indy)دستگاه هاي ايميل جمع کن •

Library) براي کنترل نقض کپي رايت•براي پيدا کردن سرقت علمي و ادبي •

(SlySearch) و موارد ديگر )تحقيق....(•

2005200420032002

100

90

80

70

60

50

40

30

20

10

0

Robot

Yes

No

2042

80

58

9898

استفاده روباتها

چطور روباتها را شناسايي کنيم؟

• Declared robots (they report to robots.txt)• Robots with DNS name (e.g. googlebot)• List of undeclared robots

– robotstxt.org publishes a list or robots

• Identifying a robot through browser detail– E.g. inktomisearch used by Yahoo has the word

slurp in its browser details recorded in log file

• Through their behavioural traits

Cachingمرورگرها صفحات پيشتر بازديد شده را از •

حافظه رايانه خود مي خوانند ونه از سروراين باعث مي شود ميزان مشاهده صفحات •

کمتر از حد واقعي به نظر برسد•Fieber (1998) 55 تا 35 تخمين زده که بين

درصد بازديد صفحات از حافظه کش خوانده مي شوند

Repeat delivery of the page

When two requests are made for one and the same article within the same session

• Repeat delivery – PDF, HTML

• Repeat delivery by the server

• Overestimates use.

128.32.173.xxx 10-MAR-2003 13:55:34.00 full 31 4 e15 128.32.173.xxx 10-MAR-2003 13:56:06.00 reprint 31 4 e15 128.32.173.xxx 10-MAR-2003 13:56:09.00 reprint 31 4 e15 128.32.173.xxx 10-MAR-2003 13:56:10.00 reprint 31 4 e15

محاسبه طول زمان مشاهده صفحه دقيق نيست

بر اساس زمان ميان درخواست دو صفحه •متوالي محاسبه مي شود

صفحه آخر معموال محاسبه نمي شود •)امکانش نيست(

اگر صفحه اي کش شده باشد يا چند •مرورگر باز باشد رو اين متريک تأثير دارد

DNS اطالعات دي ان اس دقيقنيست

کاربران مجبور نيستند در کشوري که در آن •قرار دارند ثبت شوند يا نوع ثبت آنها لزوما

دقيق نيست که يک سازمان Btinternet.comمثل شرکت •

انگليسي فراهم کننده شبکه و واقع در بريتانياست اما در آمريکا به عنوان يک کمپاني

تجاري ثبت شده است

عنوان صفحه و مسير صفحه

به طراحان سايت بستگي دارد. اسم •صفحه و دايرکتوري مي تواند معني

خاصي نداشته باشدکش يا حافظه درک ما را از تحليل •

مسير محدود مي کند

معماري سايتسه الگو

• Multiple page-to-screen: a number of information pages are stored on a single download.

• Page-to-screen unity. each download is a single information page.

• Divided page-to-screen: users’ view a number of downloads to view a single information page.

2معماري سايت

معماري سايت روي آمار استفاده تأثير دارد•مقايسه سايت ها مشکل است مگر اينکه •

داراي معماري مشابه باشند و نحوه سنجش به خوبي تعريف شده باشد

ويژگيهاي يک متريک خوب

تکرار پذيري دقت متريک مقايسه پذيري

Use Poor OK Limited

User Poor OK Limited

DNS Poor OK OK

Time OK OK OK

File name OK OK Poor

قابليت هاي الگمثل تلويزيون مدار بسته – مانيتورينگ •

مداومگردآوري خودکار آنچه که کاربر واقعا انجام •

مي دهد نه آنچه که مي گويد انجام مي دهدنيازي به نمونه گيري نيست و کل جامعه را •

بررسي مي کند نه نمونه راتعداد بسيار باال در نتيجه اعتبار زياد•مي تواند به همراه پرسشنامه و تحقيق •

کيفي به کار رود

متريک هاي پيشرفته Sessionsتخمين نشستها • siteتخمين ميزان نفوذ در سايت•

penetration يعني دسته بندي کاربران بر اساس اينکه در هر نشست چند صفحه

مشاهده کرده اندکاربران تکراري يا رجوع کنندگان •

(returnees تخمين تعداد دفعات رجوع يک )کاربر به سايت

تحليل خرد: تحليل استفاده يک يا چند آي پي •يا يک گروه خاص

Sessions نشستهاالگها ابتدا و انتهاي يک نشست را

معموال ثبت نمي کننداگر طول نشست را کوتاه بگيريد

ممکن است به خطا چند نشست را يکي فرض کنيد

اگرطول نشست را بلند بگيريد ممکن است يک نشست را به چند نشست

خرد کنيد

محاسبه دقيق نشست: مشکلي که هنوز حل نشده

• Sessionization or session heuristics or session identification– Proactive approaches– Reactive approaches

Proactive approaches

• Using cookies– Users can turn off cookies

• Using session identification mechanism– (time out, broken connection..)

Reactive approaches

• Time oriented heuristics– E.g. after 15 minutes of inactivity

• Navigation oriented heuristics– Certain type of navigation

• The most common: cut-off time

تخمين نفوذ در سايت

گروه بندي تعداد صفحات مشاهده شده در يک •نشست

آنها که صفحات کمتري در يک نشست •مشاهده مي کنند نفوذ کمتري داشته اند

دقيقا درست نيست چرا که موتورهاي جستجو •شما را دقيقا به صفحه اي مي برند که احتياج

داريد

LibrarySearch engineOther

100

90

80

70

60

50

40

30

20

10

0

Requests in session

Over 21

11 to 20

4 to 10

1 to 3

7

105

40

16

27

42

82

64

Requests in a session by referrer

visitsتعداد بازديدها

يک کاربر هر چند وقت يک بار به سايت بر •ميگردد

شاخصي از وفاداري کاربر به سايت است•

متکي بر شناسايي کاربر است•

11 Mar - 31 Mar18 Feb - 10 Mar1 Jan - 17 Feb

30

20

10

0

User type

Returnee period 2

Returnee period 1

New user

6

10

5

9

24

تعدا بازديدها طي سه دوره

ProxyOther

100

90

80

70

60

50

40

30

20

10

0

Number of visits

6 or more

3 to 5

Twice

Once

447

16

10

10

11

30

72

نوع کاربر بر حسب تعداد بازديد

site stickinessچسبندگي سايت

ميزان زمان سپري شده روي يک سايت در يک •دوره مشخص

گاهي برحسب تعداد بازديد است )رجوع •کنندگان(

گاهي بر حسب ميزان زمان سپري شده در •سايت در هر نشست

استbouncingيک مفهموم متضاد آن •

Micro Analysisتحليل خرد

تحليل استفاده توسط يک يا دو شماره آي پي•تحليل استفاده توسط يک زيرگروه•تحليل استفاد توسط يک زيرشبکه•

Session Date and how connected

Pages viewed Time page delivered

Mozilla/4.0+(compatible;+MSIE+4.01;+Windows+95) 

15-OCT-2001

pregnancyandparenthood 13:01:39

Mozilla/4.0+(compatible;+MSIE+5.01;+Windows+95)

22-OCT-2001

indexsearchcoughsmedicinecablisttitlesbycategorsearchindexhomehealthcareguideresearch

10:20:5410:21:5310:22:0210:22:3610:23:0910:26:2510:29:2910:29:5410:32:31

Mozilla/4.0+(compatible;+MSIE+4.01;+Windows+95)

07-DEC-2001

IndexPrescriptiondrugsguideemc_framesetsearchresult

15:42:1315:43:3315:43:5215:47:10

Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+.NET+CLR+1.0.3705)

www.google.co.uk 20-MAY-2002

news_9.06.00 14:26:53

Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.0)

www.google.co.uk 09-JUL-2002

TravelhealthFitfortrav_frameset

12:15:5912:16:14

freeneteasynetdemonclaranetbtinternetAOL

%100

90

80

70

60

50

40

30

20

10

0

VISITS

Over 15

6 to 15

2 to 5

once

7

11

333518

119

6765

80

8991

79

Visits across net provider

DNS Subnetwork analysis

• Explores the labels given to a network of computers

• chemc245.chem.ucl.ac.uk

• Guestemate name: chemistry, chemical engineering or no meaning

15.4%

3.5%

45.0%

12.8%

5.4%

2.1%

11.6%

4.2%

Other

Sociology and Social

Psychology and Psych

Neurology and Neurop

Medical Specialties

Language and Literat

Internal Medicine

General Medicine

Psychology subnet viewing

اضافه کردن پرسشنامه به الگ

الگ حاوي آي پي و کوکي است•

پرسشنامه نيز مي تواند آي پي و کوکي را ثبت •کند

اين رو را مي توان به هم پيوند داد•

MaleFemale

100

90

80

70

60

50

40

30

20

10

0

No. of visits

over 15

6 to 15

2 to 5

Once

2025

15

17

23

24

42

34

بازديد بر اساس جنسيت

نحوه دسترسي در مقابل نظر کاربر در مورد اينکه“تحقيق در يک حوزه جديد سخت است”

Journal issueSearchGateway

100

90

80

70

60

50

40

30

20

10

0

New area research

Strongly agree

Agree

Neither agree nor

disagree

Disagree

Strongly disagree

9416

36

22

36

23

11

17

27

60

25

45

رفتارگرايي

تمرکز روي آنچه که مشاهده گر ميتواند ببيند•پرداختن به سئواالتي نظير •

• who (actors), • what (behaviors)• when (temporal)• where (contexts)• why (cognitive)

تمرکز اصلي الگ در رفتارگرايي

چه رفتاري بروز کرده است•الگ به ما کمک مي کند سئوال درستي در •

تحقيق از کاربر بپرسيم: مثال کيوسک بهداشت انگليس

نتيجهالگها براي ثبت تراکنشها روي سرور ابداع •

شدند و نه به عنوان ابزار تحليل رفتار کاربران

تنها تعداد معدودي متغير ثبت مي شود مثل •آي پي زمان تاريخ ...

اين متغيرهاي خيلي دقيق و نيستند، •محاسبه ميزان استفاده پيچيده است،

رباتها، حافظه کش، آي پي ها، معماري سايت و موارد ديگر از دقت متريک ها مي

کاهند

نتيجه

الگها مثل تلويزيون مدار بسته وقايع •حقيقي را با هزينه کم و حجم باال ثبت مي

کنند و نمي توان آنها را ناديده گرفتجزئيات ثبت شده در الگها بسيار چشمگير •

هستندالگ را مي توان با داده هاي ديگر غني کرد•الگها سئواالت مهمي طرح مي کنند و •

پيش فرضها را به چالش مي گيرند

•SurfStats Log Analyzer•webtrends•www.IndexTools.com (estimates Bounce rate)•www.DeepMetrix.com•Deep Log Analyzer•AlterWind Log Analyzer Professional•Geo Log Analyzer•Azure Web Log•FastStats Analyzer Free•Web Log Storming•WebLog Expert 3.5•Nihuo Web Log Analyzer•Web Log Explorer•10-Strike Log-Analyzer 1.31•AlterWind LogAnalyzer 1.3•eWebLog Analyzer 2.03•Web Log Suite•ClickTracks Analyzer

Web Log Explorer Log Analyzer

Deep Log Analyzer