[发明专利]一种面向社交网络的虚拟恶意节点及其网络识别方法

权利要求书

1.一种面向社交网络的虚拟恶意节点识别方法，其步骤为：

1)从目标社交网络中获取未识别账户行为数据和通信数据；

2)对于每一未识别账户，根据其行为数据建立该账户的好友关系网络，根据其通信数据建立该账户的通信关系网络；然后根据好友关系网络和通信关系网络计算得到的该账户好友出度变化值、好友入度变化值、通信出度向量、通信入度向量，建立该账户的信任度模型特征向量；然后根据该信任度模型特征向量计算该账户的信誉度；所述好友出度是指把目标账户标识为好友的账户数量；所述好友入度是指被目标账户标识为好友的账户数量；所述通信出度是指目标账户发送的通信消息量；所述通信入度是指目标账户接收的通信消息量；

3)对于信誉度低于设定阈值的每一未标识账户，根据该账户的通信时间序列和消息内容生成该账户的行为习惯统计数据，然后将其与正常用户的行为习惯统计数据进行对比，如果差异大于设定阈值，则将该账户标记为虚拟恶意节点；否则将其标记为正常用户节点；所述行为习惯统计数据是指社交网络账户在行为数据和通信数据上表现出的统计规律的统计数据。

2.一种面向社交网络的虚拟恶意节点网络识别方法，其步骤为：

1)从目标社交网络中获取未识别账户的属性数据、行为数据和通信数据；

2)对于每一未识别账户，根据其行为数据建立该账户的好友关系网络，根据其通信数据建立该账户的通信关系网络；然后根据好友关系网络和通信关系网络计算得到的该账户好友出度变化值、好友入度变化值、通信出度向量、通信入度向量，建立该账户的信任度模型特征向量；然后根据该信任度模型特征向量计算该账户的信誉度；所述好友出度是指把目标账户标识为好友的账户数量；所述好友入度是指被目标账户标识为好友的账户数量；所述通信出度是指目标账户发送的通信消息量；所述通信入度是指目标账户接收的通信消息量；

3)对于信誉度低于设定阈值的每一未标识账户，根据该账户的通信时间序列和消息内容生成该账户的行为习惯统计数据，然后将其与正常用户的行为习惯统计数据进行对比，如果差异大于设定阈值，则将该账户标记为虚拟恶意节点；否则将其标记为正常用户节点；所述行为习惯统计数据是指社交网络账户在行为数据和通信数据上表现出的统计规律的统计数据；

4)将根据虚拟恶意节点的行为习惯统计数据及其属性数据生成的特征向量作为分类器的输入特征向量，对虚拟恶意节点集合或包含虚拟恶意节点的节点集合进行分类；然后根据社交网络的网络结构和通信关系对每个分类结果中的虚拟恶意节点进行关联，形成虚拟恶意节点网络；再利用贝叶斯网络算法对每一虚拟恶意节点网络进行评估，确定出最终的虚拟恶意节点网络。

3.如权利要求1或2所述的方法，其特征在于，所述行为习惯统计数据包括根据通信时间序列生成的通信间隔分布曲线和根据消息内容哈希值列表、通信时间序列生成的账户活跃度曲线。

4.如权利要求1或2所述的方法，其特征在于，所述信任度模型特征向量为<D_i,D_o,D_i(T),D_o(T),M_i(T),M_o(T)>；其中，D_i表示好友入度，D_o表示好友出度，T表示时间窗口长度，D_i(T)表示在时间T内的好友入度，D_o(T)表示在时间T内的好友出度，M_i(T)表示在时间T内的消息入度，M_o(T)表示在时间T内的消息入度。

5.如权利要求4所述的方法，其特征在于，所述信誉度的计算公式为：

R(T)为信誉度，F_(i，T，N)表示时间区间T内给节点N，即未识别账户，发送通信消息的好友节点集合，M_i^N’(T)表示节点N’在时间T内的消息入度；M_o^N’(T)表示节点N’在时间T内的消息出度。

6.如权利要求2所述的方法，其特征在于，所述属性数据包括：用户标识、用户昵称、用户关联账户、是否实名认证、账户创建时间和真实身份信息；所述通信数据包括：通信出度、通信入度、通信消息标识、通信消息类型、通信时间和通信内容；所述行为数据包括：用户登陆的IP地址、用户所在地、用户上网方式、好友出度和好友入度。