[发明专利]一种用于社会网络节点异常演化行为检测与评估方法

说明书

技术领域

本发明涉及计算机科学和社会网络领域，提出一种检测节点异常的演化行为的方法(称为DAE)，以及另一种评估节点异常的演化行为效果的方法(称为EEAE)。

背景技术

随着社交网络服务最近几年的快速发展，如推特，WeChat，LinkedIn，和脸谱网的方式，极大地改变了人们的沟通。这些社交网络的研究也出现了大量的人气，从中发现社区防止私人信息推理攻击和检测犯罪活动寻找个性化的有影响力的话题。演化的社交网络通常用基于图的序列表示。在每一个图，节点代表个人(人、组织、或其他社会组织)和边缘代表社会关系或相互作用(友谊，同事关系，或信息交流)。一些优秀的演化机制已经发展为不断发展的社会网络来解释他们的动态结构变化，如三封，择优，同质性和社会平衡。某些真实事件的发生会干扰这些演化机制，并导致不断变化的社会网络结构的异常变化。不断发展的社会网络异常分析(aaesn)旨在应对这样的异常检测的有用的信息，因为它是维护网络社会的健康演化的重要。在危机管理与决策等方面的应用提供了重要的材料，aaesn描述社会状况。

两种方法通常用于aaesn：基于文本和基于图的aaesn。前者受用户提供的文本的限制。由于社交方式的多样性以及与信息安全相关的问题，许多社会关系和相互作用，如友谊和电话通信，没有相关的文本。建立广义的社会网络的通用方法，本文研究的重点是基于图的aaesn。作为一个长期研究区，基于aaesn取得重大成果的印象[。随着时间的推移，它监视网络、图形社区或图形集群的性能变化，并在结构发生变化时报告异常情况。然而，一个所有的网络异常表现，图的社区或图论聚类是对个人的演化行为的综合结果。社会网络发展过程中，个体的演化行为表现为其社会关系或与其他人的变化，反映了EDG ES一个节点的动态处理和生成。基于图形的aaesn忽视不同个体的演化行为的其他erness，以至于他们不能确定节点的异常行为(AEBN)演化。例如，我们希望识别行为偏离社交网络服务中的过去行为的用户，例如在脸谱网的“流行测试”中不加区分地加好友。此外，结构参数的节点描述通常建立在静态网络结构，如局部聚类系数，度，核心措施和角色，并不能有效地反映节点行为演化的动态性能(NEB)，涉及与去除边缘的一代。

为了精确地分析在微观层面演化的社会网络中的异常现象，这项研究是第一个以演化机械论为基础的探索。由于这些个体特征，如背景、家庭和教育等，通常在相邻的时期内遵循稳定的演化机制。当社会网络的宏观表现显得异常时，尽管一些新兴的演化机制被打乱了，其他人可能仍然遵循他们过去的演化机制。

本研究发展的方法来解决基于演化机制如下AEBN的几个关键问题。(1)有适应演化机制，其次是在一个不断变化的社会网络的NEB的有效途径？我们如何检测变化的演化机制，其次是在不同的时间节点？大多数演化机制的定义非常抽象，在一个大型社交网络中，如图1中的B那样逐一分析每一个节点的演化机制的变化是低效的。(2)一旦检测到AEBN，我们可以量化的目的AEBN对社会网络结构的影响？表现出正常的行为节点相比，节点的行为在一个反常的方式更可能在未来重复这样的行为。一个对AEBN对现有社会网络结构的影响，有利于发展的策略来应对未来的危机。

上述问题引起了关于链路预测和矩阵摄动分析的研究。(1)链路预测问题是基于一组ob服务链路来估计未观测链路的存在似然。一个有效的链路预测算法可以对相应的演化机制提供了强有力的证据。可以介绍的链路预测算法在微观层面的适应演化机制由一个节点的NEB。基于边缘产生的节点删除的可能性估计的演变，一个链路预测算法的拟合性能与该节点的边缘变化的预测性能一致。(2)构造了矩阵扰动分析，并应用于具有不可避免噪声的数据分析中，特别是在量子力学中。基于摄动的邻接矩阵，Lü等人提出了一种通用的结构一致性指标探讨复杂网络链路预测。他们的工作启发我们思考AEBN作为在特定的社会网络结构和评估基于矩阵扰动分析其影响。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种用于社会网络节点异常演化行为检测与评估方法，其特征在于，包含以下步骤：

步骤1：种检测节点异常的演化行为的方法在微观层面引入了一种关联预测算法，通过拟合的演化机制来描述一种新算法；提出了边缘生成和删除指标，以评估一种新的演化机制，通过一种关联预测算法来适应演化机制；摘要基于不同的链路预测算法，提出了一种新的演化行为向量，并通过对不同时期内演化行为向量之间的差异进行量化，从而对其进行了检测；