دانلود مقاله ISI انگلیسی شماره 97745
ترجمه فارسی عنوان مقاله

کشف حساب های مشکوک پنهان در شبکه های اجتماعی آنلاین

عنوان انگلیسی
Discovering hidden suspicious accounts in online social networks
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
97745 2017 24 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Information Sciences, Volumes 394–395, July 2017, Pages 123-140

ترجمه چکیده
حساب های مشکوک پنهان در نمودارهای اجتماعی کمیاب هستند؛ با این حال، پیام های مشکوک خاص معمولا به طور عمده ارسال می شوند تا دامنه انتشار عمومی خود را گسترش دهند. روش های ضدآفتاب موجود فقط پیام های تک یا حساب ها را شناسایی می کنند. از آنجاییکه اکثر الگوریتم ها بر روابط اتصال بین حساب ها در نمودارهای اجتماعی متکی هستند، ممکن است یک بار حساب مشابه را شناسایی کنند. علاوه بر این، این حساب های مشکوک پنهان را نمی توان به طور کامل شناسایی و حذف کرد. بنابراین، پیام های ارسال شده توسط حساب های مشکوک پنهان باید ادغام شوند، و حساب ها باید به طور همزمان به جای جداگانه حذف شوند. این مقاله یک درخت پیامرسانی را معرفی می کند که حساب ها را براساس روابط بین پیام های ارسال شده خود ترکیب می کند. رویکرد ما به وضوح روابط داخلی بین حساب های مشکوک پنهان را نمایش می دهد و به راحتی این حساب ها را حذف می کند. ابتدا، درخت پیام ارسالی را ارائه می دهیم و شش ویژگی مؤثر را شناسایی می کنیم: رابطه لایه حمل و نقل، عمق پخش، دامنه انتشار، رفتار حمل بار تکراری، سرعت انتشار و وزن متوسط ​​درخت. بعد، برای نشان دادن اثربخشی این ویژگی، ما آنها را به الگوریتم های یادگیری ماشین اضافه می کنیم. دقت تشخیص و نرخ های اشتباه مثبت برای یک مجموعه داده واقعی از شبکه اجتماعی آنلاین جمع آوری شده به ترتیب 95.32٪ و 0.5٪ است. اکثر ویژگی های پیشنهادی در بالای رتبه بندی به دست آمده است. ما نتیجه می گیریم که درخت پیام ارسالی می تواند در واقع حساب های مشکوک پنهان را شناسایی و حذف کند.
پیش نمایش مقاله
پیش نمایش مقاله  کشف حساب های مشکوک پنهان در شبکه های اجتماعی آنلاین

Hidden suspicious accounts are sparsely connected in social graphs; however, certain suspicious messages are usually forwarded in bulk to extend their overall propagation scope. Existing anti-attack methods only detect single messages or accounts. Because most algorithms rely on the connection relations among the accounts in social graphs, they may repeatedly detect the same account. Furthermore, these hidden suspicious accounts cannot be identified and eliminated completely. Therefore, messages forwarded by hidden suspicious accounts should be merged, and the accounts should be eliminated simultaneously rather than individually. This paper introduces the forwarding message tree, which combines accounts based on the relations among their forwarded messages. Our approach clearly exposes the inner relations among hidden suspicious accounts and conveniently deletes those accounts. First, we present the forwarding message tree and identify six effective features: the forwarding layer relation, propagation depth, propagation breadth, repeated forwarding behavior, propagation speed, and average tree weight. Next, to illustrate the effectiveness of these features, we incorporate them into machine learning algorithms. The detection accuracy and false-positive rates for a real dataset collected from an online social network are 95.32% and 0.5%, respectively. Most of the proposed features rate at the top of a gain ranking. We conclude that the forwarding message tree can indeed detect and delete hidden suspicious accounts.