在线社交网络Sybil账号检测
发布时间：2018-11-17 16:50
【摘要】：在线社交网络中的Sybil账号日益猖獗,他们会制造各种恶意活动,这些严重危害到了社交网络和用户的安全.针对Sybil账号检测这个问题,提出一个非常高效的Sybil账号检测模型.该模型提出使用受害者预测来提高检测准确性,将抽取的特征属性进行建模得到分类器,使用分类器进行受害者预测.再将预测结果应用到社交网络图模型中,最后,使用修改的随机游走对图节点进行排序.实验结果证明Sybil账号节点排在序列的底部,从而将Sybil账号从正常账号中分离出来.该模型的准确性达到了95%,这表明本文提出的检测模型是可行和有效的.
[Abstract]:Sybil accounts are rampant in online social networks, creating malicious activities that seriously compromise social networks and users. Aiming at the problem of Sybil account detection, a very efficient Sybil account detection model is proposed. In this model, the victim prediction is used to improve the accuracy of detection, the extracted feature attributes are modeled to get the classifier, and the classifier is used to predict the victim. Then the prediction results are applied to the social network graph model. Finally, the modified random walk is used to sort the graph nodes. The experimental results show that the Sybil account node is located at the bottom of the sequence, and the Sybil account is separated from the normal account. The accuracy of the model is 95%, which shows that the detection model presented in this paper is feasible and effective.
【作者单位】： 中南大学软件学院;"移动医疗"教育部-中国移动联合实验室;
【基金】：国家自然科学基金项目(61379057)资助 中南大学硕士生创新基金项目(2016zzts382)资助
【分类号】：TP393.08
[Abstract]:Sybil accounts are rampant in online social networks, creating malicious activities that seriously compromise social networks and users. Aiming at the problem of Sybil account detection, a very efficient Sybil account detection model is proposed. In this model, the victim prediction is used to improve the accuracy of detection, the extracted feature attributes are modeled to get the classifier, and the classifier is used to predict the victim. Then the prediction results are applied to the social network graph model. Finally, the modified random walk is used to sort the graph nodes. The experimental results show that the Sybil account node is located at the bottom of the sequence, and the Sybil account is separated from the normal account. The accuracy of the model is 95%, which shows that the detection model presented in this paper is feasible and effective.
【作者单位】： 中南大学软件学院;"移动医疗"教育部-中国移动联合实验室;
【基金】：国家自然科学基金项目(61379057)资助 中南大学硕士生创新基金项目(2016zzts382)资助
【分类号】：TP393.08
【相似文献】
相关期刊论文 前10条
1 王启东;;智慧城市中社交网络的优化设计[J];金卡工程;2013年07期
2 张磊;陈贞翔;杨波;;社交网络用户的人格分析与预测[J];计算机学报;2014年08期
3 周国健;刘璐;邵攸悠;;高校校园社交网络系统实现设计研究[J];电子技术与软件工程;2014年10期
4 斯蒂芬·卡斯;;在线社区能否解决隐私问题[J];科技创业;2011年08期
5 ;如何在工作场所安全使用社交网络[J];计算机与网络;2012年10期
6 郭玉翠;;大学生社交网络应用现状调查研究——以兰州高校为例[J];软件导刊;2013年11期
7 张新;;Google Buzz,你爱不爱[J];软件和信息服务;2010年03期
8 申强;;利用社交网络并避免其带来的风险[J];信息安全与通信保密;2011年10期
9 范超然;黄曙光;李永成;;微博社交网络社区发现方法研究[J];微型机与应用;2012年23期
10 舒文琼;;社交网络新玩法:微信向左移联浏览器向右[J];通信世界;2013年02期
相关会议论文 前3条
1 杜p，
本文编号：2338485
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/2338485.html
