基于用戶屬性和行為特征的社交網(wǎng)絡(luò)SYBIL群體檢測(cè).pdf

1、隨著信息技術(shù)的高速發(fā)展，在線社交網(wǎng)絡(luò)平臺(tái)也逐漸成為人們生活中不可或缺的一部分。社交網(wǎng)絡(luò)在為人們建立社會(huì)網(wǎng)絡(luò)和社會(huì)關(guān)系平臺(tái)的同時(shí)也面臨著越來越嚴(yán)重的Sybil攻擊。Sybil用戶通過操縱網(wǎng)絡(luò)投票、發(fā)布大量廣告信息等對(duì)社交網(wǎng)絡(luò)的正常使用產(chǎn)生越來越多的消極影響。為了檢測(cè)出隱藏在普通用戶中的Sybil用戶，研究者們提出了很多基于屬性特征和行為特征的檢測(cè)算法且都取得了較好的檢測(cè)效果，但隨著Sybil用戶的偽裝效果提升，僅僅從用戶自身屬性無法對(duì)用戶

2、的真實(shí)性作較為可靠的評(píng)價(jià)，而且這些方法忽視了不同屬性對(duì)于用戶真實(shí)性評(píng)價(jià)的重要程度上的區(qū)別。VoteTrust算法雖然解決了因Sybil用戶入侵真實(shí)用戶社區(qū)所導(dǎo)致的無法準(zhǔn)確檢測(cè)的問題但是該方法也無法應(yīng)對(duì)基于關(guān)注-轉(zhuǎn)發(fā)型社交網(wǎng)絡(luò)中真實(shí)用戶誤關(guān)注率較高的問題。
　　本文首先提出了一種基于加權(quán)支持向量機(jī)的Sybil群體檢測(cè)模型，與現(xiàn)有Sybil檢測(cè)模型相比，本文在選擇用戶屬性進(jìn)行機(jī)器學(xué)習(xí)方法求解時(shí)不僅考慮用戶自身的屬性特征，而且增加了用戶

3、所有關(guān)注者的屬性特征，可以較為有效地檢測(cè)出模仿真實(shí)用戶屬性的Sybil用戶并且可以降低只選擇自身屬性時(shí)對(duì)相似于Sybil的真實(shí)用戶的誤判。根據(jù)在線社交網(wǎng)絡(luò)中獲取的用戶數(shù)據(jù)進(jìn)行的實(shí)驗(yàn)表明，本文選取的屬性特征向量通過支持向量機(jī)方法得到的Sybil群體分類器相比現(xiàn)有的檢測(cè)模型具有較高的準(zhǔn)確率。
　　然后根據(jù)用戶屬性特征提出了一種基于歐式距離的可信度求解模型。為了降低算法的復(fù)雜度，使得原理簡(jiǎn)潔明了，首先對(duì)Sybil用戶的屬性值范圍進(jìn)行統(tǒng)計(jì)

4、并找出屬性值范圍中心，然后根據(jù)用戶屬性與該值的遠(yuǎn)近計(jì)算用戶為Sybil的可能性值，模型采用ROC曲線對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)，發(fā)現(xiàn)屬性可信度能較好地實(shí)現(xiàn)將Sybil與真實(shí)用戶區(qū)別開來。模型的最后用凹凸函數(shù)對(duì)屬性可信度進(jìn)行優(yōu)化，降低疑似 Sybil群體的可信度值并同時(shí)提高疑似真實(shí)用戶的可信度值，為行為模型提供更好的可信度參數(shù)。
　　在屬性可信度的基礎(chǔ)上提出了一種將屬性可信度值作為一個(gè)重要參數(shù)進(jìn)行基于VoteTrust改進(jìn)的用戶真實(shí)度計(jì)算的

5、Sybil群體模型。為了將VoteTrust方法應(yīng)用到以關(guān)注轉(zhuǎn)發(fā)為特征的社交網(wǎng)絡(luò)中，本文將單向關(guān)注行為等同于發(fā)送好友請(qǐng)求，并引入屬性特征來對(duì)用戶可信度進(jìn)行初步評(píng)價(jià)，對(duì)于如微博等在線社交網(wǎng)絡(luò)，Sybil群體中的個(gè)體所關(guān)注的對(duì)象、被關(guān)注的對(duì)象或粉絲數(shù)都是不同的，根據(jù)這些屬性，可以作為判斷該個(gè)體在社交網(wǎng)絡(luò)中是否為Sybil用戶。然后根據(jù)真實(shí)用戶幾乎不會(huì)向Sybil用戶發(fā)送關(guān)注請(qǐng)求進(jìn)行真實(shí)度權(quán)值傳播，得到Sybil分類結(jié)果。本文從新浪微博采集較