[论文解读] Trackly: A Unified SaaS Platform for User Behavior Analytics and Real Time Rule Based Anomaly Detection

Md Zahurul Haque, Md. Hafizur Rahman+1 more|arXiv (Cornell University)|Jan 30, 2026

Software System Performance and Reliability被引用 0

一句话总结

Trackly 将用户行为分析与实时异常检测在多租户SaaS中统一，使用轻量级 SDK 和微服务提供可解释的风险评分与仪表板。

ABSTRACT

Understanding user behavior is essential for improving digital experiences, optimizing business conversions, and mitigating threats like account takeovers, fraud, and bot attacks. Most platforms separate product analytics and security, creating fragmented visibility and delayed threat detection. Trackly, a scalable SaaS platform, unifies comprehensive user behavior analytics with real time, rule based anomaly detection. It tracks sessions, IP based geo location, device browser fingerprints, and granular events such as page views, add to cart, and checkouts. Suspicious activities logins from new devices or locations, impossible travel (Haversine formula), rapid bot like actions, VPN proxy usage, or multiple accounts per IP are flagged via configurable rules with weighted risk scoring, enabling transparent, explainable decisions. A real time dashboard provides global session maps, DAU MAU, bounce rates, and session durations. Integration is simplified with a lightweight JavaScript SDK and secure REST APIs. Implemented on a multi tenant microservices stack (ASP.NET Core, MongoDB, RabbitMQ, Next.js), Trackly achieved 98.1% accuracy, 97.7% precision, and 2.25% false positives on synthetic datasets, proving its efficiency for SMEs and ecommerce.

研究动机与目标

• 统一产品分析与安全性以实现连贯的可视化与及时威胁检测的需求动机。
• 开发一个将用户行为分析与实时异常检测耦合在一起的可扩展SaaS平台。
• 通过加权风险评分规则提供透明、可解释的决策。
• 通过轻量级的JavaScript SDK和REST API提供易于集成的解决方案。
• 在合成数据上演示系统的可行性和性能，以支持中小企业和电子商务。

提出的方法

• 跟踪会话、基于IP的地理位置、设备/浏览器指纹，以及粒度事件（页面查看、加入购物车、结账）。
• 应用可配置的基于规则的异常检测，使用加权风险评分来标记可疑活动（新设备/新地点、不可能的旅行、快速的机器人式行为、VPN使用、同一IP下的多账户）。
• 提供具有全球会话映射、日活/月活、跳出率和会话时长的实时仪表板。
• 在带Core、MongoDB和RabbitMQ的多租户微服务栈上实现，以实现可伸缩性与隔离性。
• 通过轻量级JavaScript SDK和安全的REST API提供集成。

实验结果

研究问题

• RQ1 Trackly是否能够将产品分析与安全性统一，以提供连贯的可视化和更快的威胁检测？
• RQ2 基于加权风险评分的实时规则检测在用户行为数据上的有效性如何？
• RQ3 在合成数据集上，该平台的性能特征（准确性、精确度、误报率）如何？
• RQ4 SDK与API的集成体验在中小企业和电子商务部署中的支持程度如何？

主要发现

• Trackly在合成数据集上实现了98.1%的准确率。
• Trackly在合成数据集上实现了97.7%的精确度。
• Trackly在合成数据集上记录了2.25%的误报率。
• 该平台支持实时仪表板和全球会话洞察（日活/月活、跳出率、会话时长）。
• 该解决方案通过多租户微服务栈和轻量级集成设计，具有面向中小企业和电子商务的可扩展性。