本文關(guān)鍵詞：基于KMV模型的在線社交網(wǎng)絡(luò)異常賬戶檢測(cè)的研究與實(shí)現(xiàn)

  更多相關(guān)文章： 在線社交網(wǎng)絡(luò) 異常賬戶檢測(cè) 信任風(fēng)險(xiǎn)度量 KMV 預(yù)期違約率

【摘要】：在線社交網(wǎng)絡(luò)中,異常賬戶是始終存在的。在現(xiàn)代社會(huì),對(duì)于異常賬戶的檢測(cè)通常使用的是信息本身的特征來(lái)設(shè)計(jì),使用基于交互、基于排名、基于數(shù)據(jù)特征等方式來(lái)達(dá)到相應(yīng)的檢測(cè)目的。但是,基于交互、基于排名的方式需要賬戶主動(dòng)操作,會(huì)影響賬戶對(duì)社交網(wǎng)絡(luò)的使用,基于數(shù)據(jù)特征的方式則偏向于歷史數(shù)據(jù)挖掘。本文使用的KMV模型,是銀行業(yè)中應(yīng)用比較廣泛的信任風(fēng)險(xiǎn)度量模型之一。KMV模型根據(jù)觀察對(duì)象的歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù),配合Black-Scholes期權(quán)定價(jià)理論,得到觀察對(duì)象的預(yù)期違約概率,從而進(jìn)行相應(yīng)的處理。本文將KMV模型應(yīng)用在在線社交網(wǎng)絡(luò)異常賬戶檢測(cè)中,主要是為了達(dá)到:(1)嘗試使用銀行業(yè)中信任風(fēng)險(xiǎn)度量模型模擬并度量在線社交網(wǎng)絡(luò)中賬戶的信任值,得到賬戶的信任值,方便在線社交網(wǎng)絡(luò)根據(jù)信任值對(duì)賬戶進(jìn)行相應(yīng)的分級(jí)或是權(quán)限控制。(2)將賬戶的歷史數(shù)據(jù)與實(shí)時(shí)數(shù)據(jù)結(jié)合,利用KMV模型計(jì)算消耗低的特性,實(shí)時(shí)的檢測(cè)賬戶的異常操作,從而將這類操作的危害降到最低。本文主要研究工作如下:首先,研究了在線社交網(wǎng)絡(luò)的發(fā)展與特征,分析幾個(gè)主要的在線社交網(wǎng)絡(luò)中的賬戶特征、行為統(tǒng)計(jì)等,為后續(xù)的研究中數(shù)據(jù)類型的選取做了鋪墊。其次,研究了異常賬戶的危害以及相應(yīng)的在線社交網(wǎng)絡(luò)對(duì)于異常賬戶的應(yīng)對(duì)方案,對(duì)不同的異常賬戶檢測(cè)方法進(jìn)行分析。然后,研究了信任風(fēng)險(xiǎn)評(píng)估發(fā)展以及相應(yīng)的模型方法,重點(diǎn)分析了信任風(fēng)險(xiǎn)度量模型中對(duì)于參數(shù)值的選取以及相應(yīng)的變量意義,方便后續(xù)映射到在線社交網(wǎng)絡(luò)中。最后,將KMV模型映射到在線社交網(wǎng)絡(luò)中異常賬戶檢測(cè)領(lǐng)域,分析檢測(cè)結(jié)果,提出了一種計(jì)算消耗更低,并且能夠保持精確度的實(shí)時(shí)異常賬戶檢測(cè)技術(shù)。
【關(guān)鍵詞】：在線社交網(wǎng)絡(luò) 異常賬戶檢測(cè) 信任風(fēng)險(xiǎn)度量 KMV 預(yù)期違約率
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP393.09
【目錄】：

• 摘要3-4
• ABSTRACT4-7
• 1 緒論7-13
• 1.1 研究背景和意義7-8
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀8-11
• 1.3 本文主要研究?jī)?nèi)容11-12
• 1.4 本文組織結(jié)構(gòu)12-13
• 2 背景知識(shí)及相關(guān)工作13-25
• 2.1 互聯(lián)網(wǎng)與社交網(wǎng)絡(luò)13-16
• 2.1.1 互聯(lián)網(wǎng)的發(fā)展13-14
• 2.1.2 社交網(wǎng)絡(luò)的發(fā)展14-16
• 2.1.3 在線社交網(wǎng)絡(luò)介紹16
• 2.2 異常賬戶和異常檢測(cè)16-18
• 2.2.1 異常賬戶危害16-17
• 2.2.2 異常檢測(cè)背景17-18
• 2.2.3 異常檢測(cè)技術(shù)介紹18
• 2.3 信任風(fēng)險(xiǎn)評(píng)估18-22
• 2.3.1 信任風(fēng)險(xiǎn)評(píng)估發(fā)展19
• 2.3.2 新型信用風(fēng)險(xiǎn)量化方案介紹19-20
• 2.3.3 信任度量模型介紹20-21
• 2.3.4 信任風(fēng)險(xiǎn)度量模型對(duì)比21-22
• 2.4 KMV模型22-24
• 2.5 本章小結(jié)24-25
• 3 KMV模型在在線社交網(wǎng)絡(luò)中的應(yīng)用25-31
• 3.1 數(shù)據(jù)源說(shuō)明25
• 3.2 特征提取25-29
• 3.2.1 線性判別法（LDA）26
• 3.2.2 局部保持投影法（LPP）26-27
• 3.2.3 主成分分析法（PCA）27-29
• 3.3 KMV模型映射29-30
• 3.4 本章小結(jié)30-31
• 4 基于KMV模型的在線社交網(wǎng)絡(luò)中異常賬戶檢測(cè)設(shè)計(jì)31-40
• 4.1 架構(gòu)設(shè)計(jì)31-32
• 4.2 數(shù)據(jù)分類32-36
• 4.2.1 即時(shí)通訊數(shù)據(jù)32-33
• 4.2.2 社區(qū)數(shù)據(jù)33-35
• 4.2.3 賬戶交互數(shù)據(jù)35
• 4.2.4 賬戶操作數(shù)據(jù)35-36
• 4.3 實(shí)時(shí)數(shù)據(jù)清理36-37
• 4.4 賬戶預(yù)期違約率計(jì)算37-39
• 4.5 本章小結(jié)39-40
• 5 實(shí)驗(yàn)及結(jié)果分析40-50
• 5.1 開(kāi)發(fā)環(huán)境40
• 5.2 測(cè)試數(shù)據(jù)集40-43
• 5.3 測(cè)試流程43-45
• 5.4 測(cè)試結(jié)果展示及分析45-49
• 5.5 本章小結(jié)49-50
• 6 總結(jié)及展望50-52
• 6.1 全文工作總結(jié)50
• 6.2 未來(lái)工作展望50-52
• 致謝52-53
• 參考文獻(xiàn)53-56
• 附錄56
• A. 攻讀學(xué)位期間發(fā)表的論文目錄：56

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

1 張玉清;呂少卿;范丹;;在線社交網(wǎng)絡(luò)中異常帳號(hào)檢測(cè)方法研究[J];計(jì)算機(jī)學(xué)報(bào);2015年10期

2 任薔;丁振國(guó);;實(shí)名SNS社交網(wǎng)絡(luò)與微博的特征分析——以人人網(wǎng)與新浪微博為例[J];現(xiàn)代情報(bào);2013年07期

3 王亮;;SNS社交網(wǎng)絡(luò)發(fā)展現(xiàn)狀及趨勢(shì)[J];現(xiàn)代電信科技;2009年06期

4 張玲,楊貞柿,陳收;KMV模型在上市公司信用風(fēng)險(xiǎn)評(píng)價(jià)中的應(yīng)用研究[J];系統(tǒng)工程;2004年11期

5 吳軍,張繼寶;信用風(fēng)險(xiǎn)量化模型比較分析[J];國(guó)際金融研究;2004年08期

6 王毅春,孫林巖;現(xiàn)代信用風(fēng)險(xiǎn)模型特征比較研究[J];當(dāng)代經(jīng)濟(jì)科學(xué);2004年02期

7 程鵬,吳沖鋒,李為冰;信用風(fēng)險(xiǎn)度量和管理方法研究[J];管理工程學(xué)報(bào);2002年01期

8 閻巧,謝維信;異常檢測(cè)技術(shù)的研究與發(fā)展[J];西安電子科技大學(xué)學(xué)報(bào);2002年01期

9 張玲,張佳林;信用風(fēng)險(xiǎn)評(píng)估方法發(fā)展趨勢(shì)[J];預(yù)測(cè);2000年04期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 陳佩;主成分分析法研究及其在特征提取中的應(yīng)用[D];陜西師范大學(xué);2014年

2 哈樂(lè);基于語(yǔ)義網(wǎng)的社交網(wǎng)絡(luò)惡意行為分析[D];南京郵電大學(xué);2014年

3 胡學(xué)韜;基于信任度排序的社交網(wǎng)絡(luò)異常賬戶檢測(cè)模型的研究[D];上海交通大學(xué);2014年

4 李曉曼;局部保持投影中的若干問(wèn)題研究[D];華僑大學(xué);2012年

，

本文編號(hào)：783304