[发明专利]一种基于自我网络结构演化的社交媒体个体异常用户检测方法

说明书

本发明属于社交媒体异常用户检测的安全领域，具体涉及一种基于自我网络结构演化的社交媒体个体异常用户检测方法。包括比较快照G_T‑1和G_T来识别时变分量；基于时变分量构建可疑异常节点集合SAN‑Set(T)；对于SAN‑Set(T)中的每个节点v_i，构建核心网Core‑net^T‑1(v_i)和Core‑net^T(v_i)；对于SAN‑Set(T)中的每个节点v_i，求出异常分数Outlying‑Score(v_i)，并按照异常分数大小进行排序；输出前n个最大的异常分数。本发明针对社交媒体中个体用户发生异常行为的场景，在现有IcLEOD方法的基础上提出一种改进的基于有向图的增量局部演化异常检测方法Db‑IcLEOD，改进后的方法可以用于处理基于有向图的社交媒体用户交互状态网络，将用户交互的方向性考虑在内，通过此改进只有与可疑异常节点进行双向交互的节点才会被划进其核心网，从而避免原方法的异常误报。

技术领域

本发明属于社交媒体异常用户检测的安全领域，具体涉及一种基于自我网络结构演化的社交媒体个体异常用户检测方法。

背景技术

近几年大批社交类应用开始涌现并且发展迅猛，如国内知名的有腾讯QQ、微信、新浪微博、百度贴吧、豆瓣、天涯社区、知乎等，国外知名的有职业社交网站LinkedIn、微博客社交网站Twitter、轻博客社交平台Tumblr、全球第一大社交网站Facebook、基于图片的社交网站Pinterest、SNS社交网站Google+等。这些社交应用使用户无论身处何地都能轻松互动，可以使素未谋面的陌生人交到兴趣相投的朋友、知己，它可以增加朋友的沟通频率，拉近人们的距离，增进人们的感情，给大家带来方便。然而，在线社交媒体在为人们提供各种便利服务的同时，其也成为不法分子获取巨大利益的新平台。社交媒体存储和共享大量的个人信息，又由于社交媒体的开放性，恶意用户可以通过收集这些用户的个人信息进行非法活动，例如身份盗用、网络攻击、垃圾邮件、欺诈性信息传播甚至恐怖主义攻击计划。此类恶意活动严重威胁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个人体验等，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问题之一。

目前，针对社交媒体异常用户检测的研究越来越受到人们的重视，国内外已有大量的工作致力于解决社交媒体异常用户检测问题。现有的检测方法大致分为四类，分别为基于行为特征、基于内容、基于图以及无监督学习的检测方案。其中基于图的社交媒体异常用户检测方式大多从全局的角度来进行异常分析，然而当前的社交媒体结构复杂、规模庞大，因此掌握整个图的结构信息是不切实际的。而且在特定条件下全局的分析方式能够检测出异常，但是当异常对象在它们的邻域之间隐藏的时候，全局方法将会失效。此外，由于社交媒体中用户交互具有方向性，这种方向性可以使用有向图来刻画，然而现有的异常检测方法大部分基于无向图，因此具有一定的局限性。Ji T等人提出了一种增量局部演化异常检测方法 (Incremental Local Evolutionary Outlier Detection，以下简称IcLEOD)，该方法通过动态分析时变分量(节点、边和权重)以及由它们所影响的节点的邻域结构变化从而达到对局部异常的检测，这种技术虽然能够避免分析图的全局信息且可以检测局部异常，但是由于其处理的是无向图，因此不能考虑社交媒体中用户交互的方向性，这种局限性会产生以下两点问题：

1、分析大量无效信息：由于IcLEOD方法处理的图类型是无向图，而无向图无法刻画用户交互的方向，即只要两节点之间存在边就表示两用户进行了交互，所以无法判断两用户之间进行单向交互还是双向交互，以微博为例，诸如点赞、关注和转发等主要交互行为通常是单向交互，而大多数单向交互通常无法反映用户的异常行为，因此分析这些单向交互信息对于异常检测是无意义的。

2、存在异常误报：由于不考虑交互的方向性，就有可能造成异常误报。仍以微博为例，假设存在两个用户A和B，在一个时间步长内B多次向A发起单向交互，但是A并不回应B，针对这种情况如果采用IcLEOD算法，则作为正常用户的A会被误报为异常用户。