基于自适应差异化图卷积的社交网络新增恶意用户检测

社交网络新增恶意用户检测作为一项分类任务,一直面临着数据样本不足、恶意用户标注稀少的问题。在数据有限的情况下,为了能够精确地检测出恶意用户,提出一种基于自适应差异化图卷积网络的检测方法。该方法通过提取社交网络中的用户特征和社交关系构建社交网络图。构建社交网络图后,计算节点与邻居的相似度,并对邻居进行优先级排序,利用优先级顺序采样关键邻居。关键邻居的特征通过自适应权重的加权平均方式聚合到节点自身,以此更新节点特征。特征更新后的节点通过特征降维和归一化计算得到恶意值,利用恶意值判断用户的恶意性。实验表明该方法和其他方法相比,具有更高的恶意用户查全率和整体查准率,并且能够快速地完成对新增用户的检测,证明了自适应差异化图卷积网络能够有效捕捉到少量样本的关键特征。

基于知识图谱的恶意用户筛选算法研究

如今互联网产业不断发展,诞生了面向广大用户的各类软件及网站,野蛮生长的同时安全需求也随之增加。除了常规的安全威胁以外,部分恶意用户的存在也是一个不容忽视的问题,恶意用户混杂在普通用户间进行操作增加了不必要甚至危险的数据流量,也影响了面向普通用户的各类学习算法的结果。而恶意用户间的外在联系以及恶意用户自身各项属性所带来的内在关联在提取后满足知识图谱构建的数据结构,且知识图谱可以根据实体间的关系进行知识推理,因此论文使用知识图谱相关算法来实现对于恶意用户的筛选,并通过仿真试验对使用知识图谱算法筛选恶意用户是否具有可行性进行了论证。

基于复合分类模型的社交网络恶意用户识别方法

社交网络近年发展迅速,微博类社交网络的用户数目及规模急剧增大的同时也带来了诸多安全问题,为了保护用户的隐私和个人、集体的利益,需要针对这些恶意行为进行识别并对恶意用户进行处理。提出一种采用复合分类模型对用户进行分类的方法,并开发了一个对微博类社交网络用户进行分类的系统。通过研究用户的属性和行为特点,比较属性间的相关性,从两方面兼顾了分类的准确性和效率。

认知无线电网络抗恶意用户节能协作频谱感知策略

针对当前认知无线电网络协作频谱感知策略存在能量消耗过大且未考虑恶意用户存在及通信链路中断的问题,提出一种基于信誉管理系统的节能协作频谱感知策略。首先对系统信誉值和感知报告总数的表达式进行推导分析,建立感知策略模型,对恶意用户进行有效抑制。进一步提出策略对应的虚警和漏检概率估计方法及其闭合表达式,深入分析通信链路中断带来的影响。最后仿真结果表明,在达到相同检测目标情况下,提出的节能策略所需感知报告数量较传统策略更少,有效降低了能量消耗。感知性能在通信链路存在中断情况下受到的影响更小。

云环境下融合恶意用户过滤机制的信誉评估方法

针对云服务供应商和云用户实体双方交互过程中提供虚假或恶意信息的问题,提出了一种融合恶意用户过滤机制的信誉评估方法.首先,运用统计过程控制理论中改进的指数加权滑动平均方法对目标云服务有过反馈评级的用户进行检测,并过滤恶意用户;然后,在目标云服务的信誉计算过程中,利用多数共识理论和反馈相似度确立良性用户反馈评分的聚合权重,以提高信誉计算的准确性;最后,用户根据云服务供应商的服务和信誉情况与其进行协商,屏蔽掉信誉较低的云服务,从而确定最后的交互对象.实验结果表明,本文提出的方法不仅能够有效防止云用户的欺诈行为,而且能够杜绝云供应商的不诚信行为,使服务中心能够将信誉好的云服务推荐给用户.

高恶意用户比例下稳健WSPRT算法

频谱感知数据篡改(SSDF)攻击是协作频谱感知(CSS)中常见的攻击方式。在分布式协作频谱感知网络中,采用加权序贯概率比检测(WSPRT)融合准则,通过信誉值机制,有效缓解了SSDF攻击的影响。但是,随着网络中恶意用户数目比例的增加,融合判决结果的错误概率将大大增加。在高恶意用户比例下,融合节点判决结果的错误概率将变得不容忽视。为了缓解分布式网络中高恶意用户比例下SSDF攻击带来的不良影响,因此提出训练机制下加权序贯概率比检测(RT-WSPRT)算法。仿真表明,在高恶意用户比例的情况下,RT-WSPRT检测性能优于WSPRT。

基于行为特征分析的微博恶意用户识别

近年来,社交网络数据挖掘作为物理网络空间数据挖掘的一大热点,目前在用户行为分析、兴趣识别、产品推荐等方面都取得了令人可喜的成果。随着社交网络商业契机的到来,出现了很多恶意用户及恶意行为,给数据挖掘的效果产生了极大的影响。基于此,提出基于用户行为特征分析的恶意用户识别方法,该方法引入主成分分析方法对微博网络用户行为数据进行挖掘,对各维度特征的权重进行排序,选取前六维主成分特征可以有效识别恶意用户,主成分特征之间拟合出的新特征也能提升系统的识别性能。实验结果表明,引入的方法对微博用户特征进行了有效的排序,很好地识别出了微博社交网络中的恶意用户,为其他方向的社交网络数据挖掘提供了良好的数据清洗技术。

面向天地一体化信息网络的恶意用户行为仿真技术

网络仿真是验证天地一体化信息网络安全技术有效性与可靠性的重要手段.面向天地一体化信息网络中各种恶意用户行为,研究了基于云平台的高逼真、高并发恶意用户行为仿真技术,重点探讨了基于真实流量回放的宽带、窄带恶意用户行为仿真技术,基于真实时序驱动的双向流量回放技术及分布式多节点协同运控的高并发流量生成技术.构建了具有6颗骨干卫星、66颗低轨卫星的天地一体化网络仿真场景,对论文所提出的恶意用户行为仿真技术进行了实验验证表明:该仿真技术可实现多样化的恶意用户行为仿真,且仿真并发量达10000条/秒,可有效满足天地一体化信息网络安全评测的需求;此外,本文所提的双向恶意流量回放技术与传统方法相比,具有时序高逼真的优势.

基于主动学习的社交网络恶意用户检测方法

社交网络恶意用户检测作为分类任务,需要标注训练样本。但社交网络规模通常较大,标注全部样本的花费巨大。为了能在标注预算有限的情况下找出更值得标注的样本,同时充分利用未标注样本,以此提高对恶意用户的检测表现,提出了一种基于图神经网络GraphSAGE和主动学习的检测方法。该方法分为检测模块和主动学习模块两部分。受Transformer的启发,检测模块改进了GraphSAGE,扁平化其聚合节点各阶次邻居信息的过程,使高阶邻居能直接聚合到中心节点,减少了高阶邻居的信息损失;然后通过集成学习,从不同角度利用提取得到的表征,完成检测任务。主动学习模块根据集成分类的结果衡量未标注样本的价值,在样本标注阶段交替使用检测模块和主动学习模块,指导为样本标注的过程,从而更有助于模型分类的样本标注。实验阶段使用AUROC和AUPR作为评价指标,在真实的大规模社交网络数据集上验证了改进的检测模块的有效性,并分析了改进有效的原因;然后将所提方法与现有的两种同类主动学习方法进行比较,实验结果表明在标注相同数量的训练样本的情况下,所提方法挑选标注的训练样本有更好的分类表现。

基于纵向联邦学习的社交网络跨平台恶意用户检测方法

近年来,在线社交网络恶意用户呈现出分散性、潜伏性、复杂性等特征,如何在保障普通用户数据隐私的前提下,融合多方数据进行建模分析,实现对恶意用户的精确检测成为研究人员关注的焦点.本文提出了一种基于纵向联邦学习的社交网络跨平台恶意用户检测方案.首先,通过对多源异构数据进行预处理,采用加密样本对齐和加密模型训练方法,构建了基于纵向联邦学习的跨平台恶意用户检测层次化架构;其次,对安全联邦提升树算法进行分析和改进,提出了一种面向多方隐私保护的恶意用户检测算法;最后,基于现实社交网络平台实验研究分析,所提出的方案不仅具有安全性,而且模型算法相较于其他两个基线模型,准确率分别提升了14.03%和1.918%.

光接入网大数据恶意用户检测管理系统研究

各式各样日新月盛的新型应用在日常生活中不断涌现,由于目前网络安全监管机制并不健全,本文即以光接入网的恶意用户为研究对象,通过获取大量样本数据采集新特征及大数据分析,并与传统特征相结合,设定恶意用户和正常用户数据的特征区别并采用分类算法对恶意数据进行识别和判断。实验结果表明,本文的检测算法与传统算法相比准确率更高。

基于时空行为与静态属性分析的陌陌应用恶意用户检测方法

陌陌是一款流行的移动社交应用,其中存在实施诈骗、网赌网贷等网络违法犯罪活动的恶意用户,发现陌陌中的恶意用户具有重要意义。然而,陌陌应用具有用户间社交关系松散、发布文本内容有限等特点,导致现有恶意用户检测方法难以准确刻画用户特征,检测准确率低。为此,提出一种基于用户时空行为与静态属性分析的恶意用户检测方法。基于陌陌提供的位置服务,搜集用户在线时间、位置、异常标签等数据,构建用户时空信息数据集;对比数据集中正常用户与具有异常标签的恶意用户的在线时间和位置分布差异,分析恶意用户的时空行为特征;基于用户在不同时间段的在线概率刻画用户的时间行为特征,基于用户历史位置分布的聚集程度刻画用户的空间行为特征;最后,融合已获得的时空行为特征与性别属性训练用户分类模型,检测恶意用户。基于收集的67280个陌陌用户的1894917条数据,开展了恶意用户检测实验,结果表明,提出的方法能够有效检测出恶意用户,特别是针对历史发布内容较少的恶意用户时,所提方法正确分类恶意用户的能力显著优于代表性方法SybilSCAR和DatingSec,AUC-ROC和AUC-PR分别提升4.6%以上和19.88%以上。

感知无线电网络中改进的恶意用户检测算法

协作式感知可以提升感知精度,但也可能使系统暴露于可能存在的恶意用户的危险之下,甚至会有恶意用户对网络发起拒绝服务攻击.为此给出了一种新的检测算法——恶意用户检测算法(malicious users detection algorithm,MUDA).首先,通过感知服务器对次要用户进行多种感知测试,根据接收到的被测节点的信号强度估计该节点是否为恶意节点.然后,采取主动传输策略,提高其检测精度并降低其开销.最后,将其与当前算法进行性能对比,对比结果表明MUDA在提高精度的同时将感知操作导致的吞吐量损失降低了65%.

面向拜占庭攻击的认知用户分类

万物互联的蓬勃发展使得承载业务的无线资源日益短缺,认知无线电技术是具有广大前景的技术。而作为实现认知无线电的基础环节的频谱感知却面临特有的安全威胁,其中拜占庭攻击伪造频谱感知数据,利用认知网络的开放性和合作机制,恶意篡改上传数据,致使融合中心做出错误判断,造成频谱资源损失。因此,针对拜占庭攻击下的安全问题,该文提出了基于图神经网络的异常度检测,依据图神经网络得到数据异常程度,结合全局判决与邻居用户冲突程度建立异常度模型。首先,介绍了认知网络频谱感知的相关原理;接着,展示了认知网络的模型,并对拜占庭攻击做了简单的概括。研究结果表明,该算法在拜占庭攻击中取得优异的识别性能,不仅降低了正常用户的误判概率,同时提高了恶意用户的检测概率。

动态特征选择算法对恶意行为检测的优化研究

针对互联网中存在的恶意行为,特别是社交网络应用中的在线恶意行为,通常使用基于用户多维特征的聚类分析算法进行检测。提出一种动态特征选择算法(DFSA),使用具有特征加权熵的模糊C均值目标函数,首先为参数构建一个学习模式,自动计算每个特征权重,并剔除权重小于阈值的特征,动态选择重要的特征,迭代地更新隶属函数、簇中心和特征权重直到最优化为止,最后识别出具有高精度的恶意用户行为簇。仿真结果表明,对比SDAFS算法、ELAFC算法和NADMB算法,DFSA算法在Rand指数、Jaccard指数和归一化互信息量3个主要性能指标上均有改善。

一种社交网络Sybil用户检测方法

对社交网络中广泛存在的"女巫攻击"(Sybil Attack)进行检测。通过对收集的近10万微博用户数据提取特征并进行分析,同时结合网络可信度,提出了社交网络Sybil用户检测方法。最后通过实验验证了该方法的有效性。

基于可信相似用户的服务推荐方法

随着越来越多的用户与服务参与到服务计算中,服务推荐变得日益重要,但个别用户的虚假评价降低了服务推荐结果的可信性和有效性。为此,提出一种新的服务推荐方法,在分析用户历史评价的基础上挖掘可疑评价,通过用户可信度的计算将恶意用户筛除。基于相似度计算可得到剩余各可信用户的相邻用户集合,并最终结合用户偏好确定候选服务进行综合评分以完成有效推荐。实验结果表明,在剔除恶意用户的情况下,该方法推荐的服务更为真实可靠,可有效提高推荐质量。

WCDMA网络恶意呼叫的分析与优化

通过在华为MSOFTX3000软交换设备上对WCDMA网络中的恶意呼叫行为进行分析,提出了一种对恶意呼叫用户进行甄别的方法,并提出了有效的检测规则优化方法及方案。为进一步增强恶意呼叫拦截的准确性提供了较好的参考。

考虑稳定性与可信评价的云服务推荐网络研究

在服务评价计算过程中,由于存在非法用户进行不实评价的现象,导致服务评价结果不够准确,严重影响云服务信誉值的参考价值,进而影响到向用户推荐服务的准确性.就服务评价计算问题展开研究,重点分析了考虑服务稳定性因素的必要性以及判断方法,详细介绍了恶意用户评价筛选的过程,最后在此基础上,通过构建推荐网络,使目标用户能够通过服务推荐网络找到最佳推荐结果.得出的仿真实验结果表明,可以有效地对恶意用户评价进行过滤处理,经过对服务稳定性的判断,服务推荐网络的构建,可以得到更加准确的服务推荐结果,推荐成功率也得到进一步提高.

基于信任节点辅助的安全协同频谱感知策略

在认知无线电网络中,多个用户相互协作进行频谱感知能有效地提高系统感知性能。然而这种协同方式也带来了新的安全隐患:当恶意用户出现时,现有协同感知方法无法确保感知结果的鲁棒性。本文针对这一问题,提出了一种基于信任节点辅助的安全协同感知策略。该策略通过借助网络中信任节点的感知结果,在用户域和时间域两个维度上消除恶意用户的影响,确保了算法在较多恶意用户环境中的稳定性。仿真结果表明,新算法的性能优于Kaligineedi所提算法,在恶意用户数目为网络用户总数一半时,仍能有效地进行协同感知,具有良好的鲁棒性。