【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實施反檢測。惡意社交機器人檢測成為在線社交網(wǎng)絡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、機器學習、圖論以及眾包4個類別總結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)化機器學習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】： 南京師范大學計算機科學與技術學院;江蘇省大規(guī)模復雜系統(tǒng)數(shù)值模擬重點實驗室;
【基金】：賽爾網(wǎng)絡下一代互聯(lián)網(wǎng)技術創(chuàng)新基金資助項目(No.NGII20160509) 江蘇省高等教育教學改革重點課題基金資助項目(No.2015JSJG034)~~
【分類號】：TP242;TP393.08

【相似文獻】

相關期刊論文 前10條

1 賀英杰;葉宗民;金吉學;;機器學習在入侵檢測中的應用綜述[J];計算機安全;2010年03期

2 張龍璨;柳斌;李芝棠;;機器學習分類下網(wǎng)絡流量的特征選取[J];廣西大學學報(自然科學版);2011年S1期

3 陳威;王利明;耿光剛;毛偉;李曉東;;基于機器學習的域名信用評價方法[J];計算機應用研究;2012年02期

4 田新廣;高立志;張爾揚;;新的基于機器學習的入侵檢測方法[J];通信學報;2006年06期

5 劉舉;;回歸模型中基于機器學習的流量預測算法[J];電腦知識與技術;2012年04期

6 常衛(wèi)東;兩種機器學習型入侵檢測技術探討[J];寧波職業(yè)技術學院學報;2005年02期

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

8 于振洋;;回歸模型中基于機器學習的流量預測算法[J];淮海工學院學報(自然科學版);2012年01期

9 王濤;余順爭;;基于機器學習的網(wǎng)絡流量分類研究進展[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習相結合的教學網(wǎng)絡資源分類方法[J];中國信息技術教育;2013年12期

相關博士學位論文 前4條

1 張義榮;基于機器學習的入侵檢測技術研究[D];國防科學技術大學;2005年

2 解男男;機器學習方法在入侵檢測中的應用研究[D];吉林大學;2015年

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

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

相關碩士學位論文 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;2015年

2 張蕾;基于機器學習的網(wǎng)絡輿情采集技術研究與設計[D];電子科技大學;2014年

3 施宇;基于數(shù)據(jù)挖掘和機器學習的木馬檢測系統(tǒng)設計與實現(xiàn)[D];電子科技大學;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;2016年

5 姜羽;基于機器學習的網(wǎng)絡流量分類算法研究[D];東南大學;2015年

6 肖鋒;基于遷移學習和在線學習的網(wǎng)絡流量分類方法研究[D];哈爾濱理工大學;2016年

7 楊宜辰;基于機器學習的網(wǎng)絡流量分類技術研究與應用[D];安徽理工大學;2014年

8 趙忠華;基于機器學習的入侵檢測研究[D];山東大學;2009年

9 姜海東;基于機器學習的異常流量檢測[D];南京郵電大學;2014年

10 張倩;基于機器學習的入侵檢測[D];浙江大學;2008年

，

本文編號：2284717