基于用戶屬性和行為特征的社交網絡SYBIL群體檢測.pdf

1、隨著信息技術的高速發(fā)展，在線社交網絡平臺也逐漸成為人們生活中不可或缺的一部分。社交網絡在為人們建立社會網絡和社會關系平臺的同時也面臨著越來越嚴重的Sybil攻擊。Sybil用戶通過操縱網絡投票、發(fā)布大量廣告信息等對社交網絡的正常使用產生越來越多的消極影響。為了檢測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算法且都取得了較好的檢測效果，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用戶

2、的真實性作較為可靠的評價，而且這些方法忽視了不同屬性對于用戶真實性評價的重要程度上的區(qū)別。VoteTrust算法雖然解決了因Sybil用戶入侵真實用戶社區(qū)所導致的無法準確檢測的問題但是該方法也無法應對基于關注-轉發(fā)型社交網絡中真實用戶誤關注率較高的問題。
　　本文首先提出了一種基于加權支持向量機的Sybil群體檢測模型，與現(xiàn)有Sybil檢測模型相比，本文在選擇用戶屬性進行機器學習方法求解時不僅考慮用戶自身的屬性特征，而且增加了用戶

3、所有關注者的屬性特征，可以較為有效地檢測出模仿真實用戶屬性的Sybil用戶并且可以降低只選擇自身屬性時對相似于Sybil的真實用戶的誤判。根據(jù)在線社交網絡中獲取的用戶數(shù)據(jù)進行的實驗表明，本文選取的屬性特征向量通過支持向量機方法得到的Sybil群體分類器相比現(xiàn)有的檢測模型具有較高的準確率。
　　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。為了降低算法的復雜度，使得原理簡潔明了，首先對Sybil用戶的屬性值范圍進行統(tǒng)計

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近計算用戶為Sybil的可能性值，模型采用ROC曲線對實驗結果進行評價，發(fā)現(xiàn)屬性可信度能較好地實現(xiàn)將Sybil與真實用戶區(qū)別開來。模型的最后用凹凸函數(shù)對屬性可信度進行優(yōu)化，降低疑似 Sybil群體的可信度值并同時提高疑似真實用戶的可信度值，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上提出了一種將屬性可信度值作為一個重要參數(shù)進行基于VoteTrust改進的用戶真實度計算的

5、Sybil群體模型。為了將VoteTrust方法應用到以關注轉發(fā)為特征的社交網絡中，本文將單向關注行為等同于發(fā)送好友請求，并引入屬性特征來對用戶可信度進行初步評價，對于如微博等在線社交網絡，Sybil群體中的個體所關注的對象、被關注的對象或粉絲數(shù)都是不同的，根據(jù)這些屬性，可以作為判斷該個體在社交網絡中是否為Sybil用戶。然后根據(jù)真實用戶幾乎不會向Sybil用戶發(fā)送關注請求進行真實度權值傳播，得到Sybil分類結果。本文從新浪微博采集較