【摘要】：攻擊者利用惡意社交機器人竊取用戶隱私、傳播虛假消息、影響社會輿論,嚴重威脅了個人信息安全、社會公共安全,乃至國家安全。攻擊者還在不斷引入新技術(shù)實施反檢測。惡意社交機器人檢測成為在線社交網(wǎng)絡(luò)安全研究的一個重點和難點。首先回顧了當前社交機器人的開發(fā)與應(yīng)用現(xiàn)狀,接著對惡意社交機器人檢測問題進行了形式化定義,并分析了檢測惡意社交機器人所面臨的主要挑戰(zhàn)。針對檢測特征的選取問題,厘清了從靜態(tài)用戶特征、動態(tài)傳播特征,以及關(guān)系演化特征的研究發(fā)展思路。針對檢測方法問題,從基于特征、機器學(xué)習(xí)、圖論以及眾包4個類別總結(jié)了已有檢測方案的研究思路,并剖析了幾類方法在檢測準確率、計算代價等方面的局限性。最后,提出了一種基于并行優(yōu)化機器學(xué)習(xí)方法的惡意社交機器人檢測框架。
[Abstract]:Attackers use malicious social robot to steal user privacy, spread false information, influence public opinion, and threaten personal information security, social public safety, and even national security. Attackers are also constantly introducing new technologies to carry out counter-detection. Malicious social robot detection has become an important and difficult point in online social network security research. Firstly, the development and application of social robot are reviewed, then the problem of malicious social robot detection is formally defined, and the main challenge to detect malicious social robot is analyzed. Aiming at the selection of detection features, this paper clarifies the research and development of static user features, dynamic propagation features, and relationship evolution features. Aiming at the problem of detection methods, this paper summarizes the research ideas of existing detection schemes from four categories: feature based, machine learning, graph theory and crowdsourcing, and analyzes the limitations of several kinds of methods in detection accuracy and computation cost. Finally, a detection framework for malicious social robots based on parallel optimized machine learning is proposed.
【作者單位】： 南京師范大學(xué)計算機科學(xué)與技術(shù)學(xué)院;江蘇省大規(guī)模復(fù)雜系統(tǒng)數(shù)值模擬重點實驗室;
【基金】：賽爾網(wǎng)絡(luò)下一代互聯(lián)網(wǎng)技術(shù)創(chuàng)新基金資助項目(No.NGII20160509) 江蘇省高等教育教學(xué)改革重點課題基金資助項目(No.2015JSJG034)~~
【分類號】：TP242;TP393.08

【相似文獻】

相關(guān)期刊論文 前10條

1 賀英杰;葉宗民;金吉學(xué);;機器學(xué)習(xí)在入侵檢測中的應(yīng)用綜述[J];計算機安全;2010年03期

2 張龍璨;柳斌;李芝棠;;機器學(xué)習(xí)分類下網(wǎng)絡(luò)流量的特征選取[J];廣西大學(xué)學(xué)報(自然科學(xué)版);2011年S1期

3 陳威;王利明;耿光剛;毛偉;李曉東;;基于機器學(xué)習(xí)的域名信用評價方法[J];計算機應(yīng)用研究;2012年02期

4 田新廣;高立志;張爾揚;;新的基于機器學(xué)習(xí)的入侵檢測方法[J];通信學(xué)報;2006年06期

5 劉舉;;回歸模型中基于機器學(xué)習(xí)的流量預(yù)測算法[J];電腦知識與技術(shù);2012年04期

6 常衛(wèi)東;兩種機器學(xué)習(xí)型入侵檢測技術(shù)探討[J];寧波職業(yè)技術(shù)學(xué)院學(xué)報;2005年02期

7 王俊;鄭笛;吳泉源;官延安;;服務(wù)計算環(huán)境下一種基于機器學(xué)習(xí)的負載預(yù)測方法研究[J];計算機科學(xué);2007年09期

8 于振洋;;回歸模型中基于機器學(xué)習(xí)的流量預(yù)測算法[J];淮海工學(xué)院學(xué)報(自然科學(xué)版);2012年01期

9 王濤;余順爭;;基于機器學(xué)習(xí)的網(wǎng)絡(luò)流量分類研究進展[J];小型微型計算機系統(tǒng);2012年05期

10 許琦;;一種基于人工和機器學(xué)習(xí)相結(jié)合的教學(xué)網(wǎng)絡(luò)資源分類方法[J];中國信息技術(shù)教育;2013年12期

相關(guān)博士學(xué)位論文 前4條

1 張義榮;基于機器學(xué)習(xí)的入侵檢測技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2005年

2 解男男;機器學(xué)習(xí)方法在入侵檢測中的應(yīng)用研究[D];吉林大學(xué);2015年

3 鄭凱梅;基于統(tǒng)計機器學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測分類研究[D];中國礦業(yè)大學(xué)（北京）;2010年

4 魯剛;基于機器學(xué)習(xí)的流量分類算法研究[D];哈爾濱工業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 安軍輝;基于微博數(shù)據(jù)的微博用戶性別判斷研究[D];華中師范大學(xué);2015年

2 張蕾;基于機器學(xué)習(xí)的網(wǎng)絡(luò)輿情采集技術(shù)研究與設(shè)計[D];電子科技大學(xué);2014年

3 施宇;基于數(shù)據(jù)挖掘和機器學(xué)習(xí)的木馬檢測系統(tǒng)設(shè)計與實現(xiàn)[D];電子科技大學(xué);2014年

4 郭成林;基于Spark平臺的惡意流量監(jiān)測分析系統(tǒng)[D];北京交通大學(xué);2016年

5 姜羽;基于機器學(xué)習(xí)的網(wǎng)絡(luò)流量分類算法研究[D];東南大學(xué);2015年

6 肖鋒;基于遷移學(xué)習(xí)和在線學(xué)習(xí)的網(wǎng)絡(luò)流量分類方法研究[D];哈爾濱理工大學(xué);2016年

7 楊宜辰;基于機器學(xué)習(xí)的網(wǎng)絡(luò)流量分類技術(shù)研究與應(yīng)用[D];安徽理工大學(xué);2014年

8 趙忠華;基于機器學(xué)習(xí)的入侵檢測研究[D];山東大學(xué);2009年

9 姜海東;基于機器學(xué)習(xí)的異常流量檢測[D];南京郵電大學(xué);2014年

10 張倩;基于機器學(xué)習(xí)的入侵檢測[D];浙江大學(xué);2008年

，

本文編號：2284717