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。

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。

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。