隨著近年來互聯(lián)網(wǎng)的快速發(fā)展,在線社交網(wǎng)絡(luò)平臺(tái)已經(jīng)成為人們?nèi)粘Ｉ町?dāng)中的重要組成部分。社交平臺(tái)將互聯(lián)網(wǎng)快速、即時(shí)的特點(diǎn),與傳統(tǒng)社交的人際關(guān)系相結(jié)合,拉近了人與人之間的關(guān)系。也正是由于這樣的特點(diǎn),給了眾多不法分子從社會(huì)工程學(xué)角度實(shí)施攻擊的機(jī)會(huì)。這種攻擊針對(duì)性強(qiáng)、威脅度大、防御難度高,給平臺(tái)與用戶帶來了許多損失。因此,應(yīng)該即時(shí)評(píng)估用戶節(jié)點(diǎn)的威脅度、進(jìn)行相應(yīng)的防御與處理。對(duì)于在線社交平臺(tái)的用戶進(jìn)行異常檢測與判斷,具有十分重要的意義。本文從社會(huì)工程學(xué)角度出發(fā),對(duì)國內(nèi)外相關(guān)領(lǐng)域現(xiàn)有研究成果進(jìn)行梳理,選擇Twitter平臺(tái)的用戶作為研究對(duì)象,通過分析用戶行為的異常程度來評(píng)估賬戶是否被劫持,并提出節(jié)點(diǎn)影響力的計(jì)算方法,進(jìn)而得出節(jié)點(diǎn)威脅度。首先,在分析對(duì)比現(xiàn)有研究成果的基礎(chǔ)上,對(duì)用戶的行為模式提出兩大類特征。并針對(duì)本研究的實(shí)際需求與用戶在平臺(tái)上的活動(dòng)特點(diǎn),基于信息流提出7種小特征,構(gòu)建用戶畫像。其次,提出基于監(jiān)督式層次分析法（Supervised Analytic Hierarchy Process,SAHP）的異常賬戶被劫持檢測方法。對(duì)上述的7種特征提出具體異常分?jǐn)?shù)計(jì)算方式,利用信息增益率對(duì)特征進(jìn)行排... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

撞庫攻擊示意圖

Hierarchy Process，AHP）作為特征權(quán)值的計(jì)算方式。層次分析法是定量相結(jié)合的、系統(tǒng)化、層次化的分析方法。傳統(tǒng)的 AHP 方法中，劃分為不同的層次結(jié)構(gòu)、構(gòu)建層次模型，構(gòu)建特征成對(duì)比較矩陣，采方法計(jì)算特征向量，歸一化后即為各特征權(quán)值[46]。構(gòu)建層次模型時(shí)，如圖 4-1 所示，首先確定構(gòu)建模型最終所需要即目標(biāo)層。其次為解決問題提出相應(yīng)的方法準(zhǔn)則，即準(zhǔn)則層。最后為具體解決方案，即方案層。從目標(biāo)層出發(fā)，本研究最終期望得到更加被劫持檢測結(jié)果�；谀Ｐ偷臉�(gòu)建方式，選用 3.4 節(jié)所提出的 7 個(gè)特的評(píng)估準(zhǔn)則，以此構(gòu)建準(zhǔn)則層。同時(shí)，在方案層的基礎(chǔ)上，通過確定出來的不同異常程度，得到特征權(quán)重。這里模型的構(gòu)建，最終通過比行數(shù)值化的顯示。最后，通過本實(shí)驗(yàn)所提出的監(jiān)督層，得到不同特征序，為傳統(tǒng)層次模型構(gòu)建提供定量支持。

論上可以制造各種不同類型的被劫持賬戶，進(jìn)一步研究不的影響。的選擇上，本文選用 O. Varol 等人在文獻(xiàn)[48]當(dāng)中所使用的0 月起，對(duì)推特當(dāng)中大約 10%的公開推文進(jìn)行了為期 3 個(gè)月少發(fā)文 200 條、3 個(gè)月觀察期內(nèi)至少發(fā)送 90 條，且在推100 人次的用戶。經(jīng)過篩選，共 616 個(gè)原始賬戶。方法，我們利用原始數(shù)據(jù)，構(gòu)造被劫持用戶。其中 N = 190 21，即共 6598 個(gè)用戶，每個(gè)用戶各 190 條推文數(shù)據(jù)，第 1第 151-171 條為自身原始推文，該部分為賬戶正常數(shù)據(jù)，照組。第 172-190 條為交換后所構(gòu)造出來的異常數(shù)據(jù)，這與前部分的正常對(duì)照組進(jìn)行實(shí)驗(yàn)結(jié)果上的對(duì)比，以觀察檢私，以上用戶數(shù)據(jù)均已用編號(hào)代替其 ID。統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行比較，本研究再選擇取數(shù)據(jù)集 25%，，使用 3 種常用機(jī)器學(xué)習(xí)算法進(jìn)行測試集預(yù)測，并對(duì) SAH最后與 SAHP 進(jìn)行數(shù)據(jù)對(duì)比。

【參考文獻(xiàn)】：
期刊論文
[1]貝葉斯網(wǎng)絡(luò)在用戶畫像構(gòu)建中的研究[J]. 張小可,沈文明,杜翠鳳.  移動(dòng)通信. 2016(22)
[2]微博數(shù)據(jù)獲取技術(shù)及展望[J]. 游翔,葛衛(wèi)麗.  電子科技. 2014(10)
[3]基于用戶行為的微博用戶社會(huì)影響力分析[J]. 毛佳昕,劉奕群,張敏,馬少平.  計(jì)算機(jī)學(xué)報(bào). 2014(04)
[4]手機(jī)用戶畫像在大數(shù)據(jù)平臺(tái)的實(shí)現(xiàn)方案[J]. 張慷.  信息通信. 2014(02)
[5]新浪微博數(shù)據(jù)獲取技術(shù)研究[J]. 黃延煒,劉嘉勇.  信息安全與通信保密. 2013(06)
[6]影響力擴(kuò)散概率模型及其用于意見領(lǐng)袖發(fā)現(xiàn)研究[J]. 樊興華,趙靜,方濱興,李欲曉.  計(jì)算機(jī)學(xué)報(bào). 2013(02)
[7]用戶自然和社會(huì)屬性對(duì)網(wǎng)絡(luò)搜索中語言使用行為的影響[J]. 賴茂生,屈鵬.  現(xiàn)代圖書情報(bào)技術(shù). 2008(07)



本文編號(hào)：3598050