社交媒体异常用户检测关键技术研究

发布时间：2021-02-25 20:50

　　随着互联网和Web2.0的快速发展,在线社交媒体已渗透到几乎所有的生活领域,包括教育、医疗、娱乐、商业等。然而,在带给人们各种便利的同时,在线社交媒体也成为试图执行非法活动并对其他用户造成危害的恶意用户的主要目标,因此针对这类恶意行为的异常用户检测技术已成为在线社交媒体安全研究的关键问题之一。在线社交媒体每天都具有动态实时性,而在以往的工作中针对动态社交媒体异常检测的研究较少,另外这些研究只考虑非加权或者无向网络,本文的主要研究内容聚焦于动态社交媒体异常用户检测,基于现有的异常检测方法,分别针对社交媒体中的异常个体用户和异常群体用户提出两种改进的异常检测算法。针对社交媒体中异常个体用户的检测,现有算法只能用于分析无向加权图,无法解决将用户交互状态映射成有向加权图模型的异常检测问题,因此本文在现有算法的基础上提出一种改进的基于自我网络结构演化的异常个体用户检测算法。本算法将一个动态社交媒体映射成一组有向加权图序列。通过比较时序上相邻的两个图中的节点、有向边以及权重的变化情况,筛选出可疑的异常节点集合。通过分析节点之间的结构连通性和亲密度传递性构建可疑异常节点集合中所有节点的核心网。最后通... 

【文章来源】：哈尔滨工程大学黑龙江省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

中国网民和手机网民规模的发展状况

第 1 章 绪论欺诈性信息传播甚至恐怖主义攻击计划[5]-[7]。此外不法分子通常批量注册账号，如 Facebook 中存在的虚假用户数量大约已经占到其用户总量的 中的虚假用户数量占比也已经达到 5%[8]，不法分子会利用这些虚假用户广告信息、钓鱼网站以及色情链接等恶意消息[9]-[10]，如 Twitter 中用户发布量平均每天大约增加 300 多万条[11]，同时不法分子还可以通过这些虚假用赞[12]、批量互相关注[13]以及批量添加或删除好友[14]等方式谋取利益。另外以通过盗取其他正常用户账号的手段进行非法活动，因为社交媒体中同一户通常彼此存在信任关系，所以一旦这些用户账号被不法分子盗取，通过的虚假消息就会被快速传播，从而扩大了虚假消息的危害范围。此类恶意到合法用户的个人隐私、用户账号的安全性、用户之间的信任度以及用户因此针对这类恶意行为的异常用户检测已成为在社交媒体安全研究的关键

图 2.1 超图示例 S 等人[38],[39]使用空间自相关检测局部空间异常值，由于该方法图中定义的邻域，因此将其归类为基于图的方法。该算法将任度（Spatial Local Outlier Measure,以下简称 SLOM）定义为 d ( o o 与其邻居之间的距离，β 表示振荡参数。SLOM 通过使用d 用β 捕获空间异方差（非常数方差）。然而由于高维数据没有述方法不能处理高维数据。于动态图的异常个体用户检测交媒体用户状态无时无刻都在变化，用户的异常特征可能会随，因此针对动态环境下的异常检测越来越受到研究人员的关注交媒体可以表示为时间序列图，通常的做法是根据图或图的子incombe B[40]使用一系列的图拓扑距离度量来量化两个连续快照、顶点和直径等。对于这些图拓扑距离度量中的每一个，通

【参考文献】：
期刊论文
[1]针对行为特征的社交网络异常用户检测方法[J]. 王鹏,宋艳红,李松江,杨华民,邱宁佳.  计算机应用. 2017(S2)
[2]在线社交网络中异常帐号检测方法研究[J]. 张玉清,吕少卿,范丹.  计算机学报. 2015(10)



本文编号：3051564