CN109120460B - 社交网络中基于移动节点的辟谣方法 - Google Patents
社交网络中基于移动节点的辟谣方法 Download PDFInfo
- Publication number
- CN109120460B CN109120460B CN201811139993.5A CN201811139993A CN109120460B CN 109120460 B CN109120460 B CN 109120460B CN 201811139993 A CN201811139993 A CN 201811139993A CN 109120460 B CN109120460 B CN 109120460B
- Authority
- CN
- China
- Prior art keywords
- node
- rumor
- state
- mobile node
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明涉及一种社交网络中基于移动节点的辟谣方法,包括:建立包括S、T、C、I和R五种状态的节点传播模型,各状态在一定条件下可转化成其他状态;在谣言出现后的某个时刻,引入移动节点M,将模型中的其余节点状态都转化为R;其中,S表示未接触谣言,T表示深信谣言,C表示传播谣言,I表示免疫谣言,R表示传播辟谣。本发明的社交网络中基于移动节点的辟谣方法考虑了用户(节点)反应时延及多个好友传播等因素,并且引入了移动节点进行谣言控制,因此未收到谣言的用户可以免疫谣言,传播过和相信谣言的用户可以纠正错误,本发明方法能够应用在大规模在线网络中的信息安全以及舆情控制机制中。
Description
技术领域
本发明属于大规模在线网络中的信息安全领域,具体涉及一种社交网络中基于移动节点 的辟谣方法。
背景技术
社交网络给人们带来巨大便利,它使得人们可以在不同的区域自由的分享观点。随着网 络规模越来越大,有些人有意或无意中散播不实的信息,谋取利益,造成民众损失。
面对谣言的大量传播,一些基于数据挖掘的谣言检测技术开始发展。这些方法可以有助 于尽早发现谣言,却并没有辟谣的相关措施。为了研究控制谣言,研究谣言的传播特性是很 有必要的。经典的谣言传播模型包括SI(Susceptible-Infected),SIS(Susceptible-Infected-Susceptible),SIR(Susceptible-Infected-Recovery)模型等。近年来, 学者们考虑到了第三方、总人数变化,用户心理状态等对经典模型进行了扩展,提出了很多 模型。例如thinker and adopter(SEI),rumors-killer,and rational(CSER),spreader-ignore-doubter-stifler(SIDR)等。这些方法大多采用微分模型,利用平均场理论得到传 播阈值。通过这些模型,提取出影响谣言传播的特征,之后对其进行一些操作达到控制目的。
但是,这些技术普遍存在以下缺点。其一,这些模型都没有考虑到传播时延。信息在网 络中的传播时间可以忽略,但是人们往往没有第一时间就对收到的消息作出回复。其二,微 分模型中的不同状态的转化概率是宏观的,没有考虑到个人的影响。复杂的人际关系导致人 们对相同信息的反应各不相同,对谣言的抗性也不同。
发明内容
本发明的目的在于克服现有技术的不足,提供一种社交网络中基于移动节点的辟谣方法, 考虑了用户(节点)反应时延及多个好友传播等因素,并且引入了移动节点进行谣言控制, 因此未收到谣言的用户可以免疫谣言,传播过和相信谣言的用户可以纠正错误;本发明方法 能够应用在大规模在线网络中的信息安全以及舆情控制机制中。
为了实现上述目的,本发明的技术方案是:
一种社交网络中基于移动节点的辟谣方法,包括:建立包括S、T、C、I和R五种状态的 节点传播模型,各状态在一定条件下可转化成其他状态;在谣言出现后的某个时刻,引入移 动节点M,将模型中的其余节点状态都转化为R;其中,S表示未接触谣言,T表示深信谣言, C表示传播谣言,I表示免疫谣言,R表示传播辟谣。
优选的,所述各状态在一定条件下可转化成其他状态,包括通过状态为C或R的节点进行 信息广播过程和节点状态更新过程。
优选的,所述进行信息广播过程,具体包括:
如果某节点的状态为C,则该节点向相邻的其他节点发送谣言;如果相邻的其他节点状 态为S,则这些节点接收到谣言;
如果某节点状态为R,则该节点向相邻的其他节点发送辟谣;如果相邻的其他节点状态为 S或U,则这些节点接收到辟谣;其中,U表示不健康状态,包括C和T。
优选的,节点状态更新过程,具体包括:
如果某节点传播过谣言,则该节点的状态更新为T;否则,判断该节点是否接收到辟谣, 如果是,则该节点的状态更新为I;
如果某节点接收到谣言的时间大于等于预设时延,则计算该节点相信这个谣言信息的概 率;产生一个0到1之间的随机数,如果该随机数小于所述概率,则该节点的状态更新为C;
如果某节点接收到辟谣的时间大于等于预设时延,则计算该节点相信这个辟谣信息的概 率;产生一个0到1之间的随机数,如果该随机数小于所述概率,则该节点的状态更新为R。
优选的,相信谣言信息概率的计算方式与相信辟谣信息概率的计算方式相同,如下:
Pi=w1i+(1-w1i)w2i+(1-w1i)(1-w2i)w3i+...+(1-w1i)...(1-w(n-1)i)wni
其中,i表示某一节点;n表示预设时延给i节点发送过谣言信息或辟谣信息的节点个数; w1i、w2i…wni分别表示i对其他节点的信任率。
优选的,所述在谣言出现后的某个时刻,引入移动节点M,将模型中的其余节点状态都 转化为R,具体包括:
步骤a,随机产生所述移动节点M在测试总时长中的出现时间和出现的节点位置;
步骤b,所述移动节点M将该节点的状态转化成R并开始停留;
步骤c,如果所述移动节点M在该节点位置的停留时间大于移动节点M的移动时延,根 据所选的移动策略计算移动节点M移动的下一个位置;否则,停留时间加1,重复步骤c;所述移动时延为移动节点的移动速度乘以移动距离。
步骤d,移动节点M移动到下一个位置;如果此时总花费时间小于测试总时长,重复步骤 b至步骤d;所述总花费时间等于出现时间与停留时间之和。
优选的,所述移动策略,包括:移动节点朝着相邻接点中度最大的节点移动、移动节点 朝着相邻接点中距离最近的节点移动或随机向周围的相邻接点移动。
采用上述方案后,本发明的有益效果是:
(1)本发明的辟谣方法考虑了用户(节点)决策前的时延影响;同时在概率计算中包含 了在时延内用户收到多个好友消息的情况,模型更接近实际;
(2)本发明的辟谣方法引入移动节点进行辟谣,提高了效率,并且能保证辟谣的传播不 被中断和大范围传播;
(3)本发明的辟谣方法不受网络规模的限制,不需考虑网络的拓扑结构。
以下结合附图及实施例对本发明作进一步详细说明,但本发明的一种社交网络中基于移 动节点的辟谣方法不局限于实施例。
附图说明
图1为本发明实施例某一时刻的STCIR模型;
图2为本发明实施例节点的不同状态之间的转化关系;
图3为本发明实施例谣言传播示例图,其中(A)中显示的是网络中出现了谣言,表示为 传谣节点i,它的状态是C;(B)中表示i节点向邻接点发送了谣言信息;(C)中说明i节点 传播完谣言信息后失去兴趣,转化为信谣节点;
图4为本发明实施例没有移动节点的STCIR模型的状态图;
图5为本发明实施例包含移动节点的STCIR模型的状态图;
图6为本发明实施例移动节点不同出现时间的辟谣效果对比图;
图7为本发明实施例移动节点不同移动速度的辟谣效果对比图;
图8为本发明实施例移动节点不同移动策略的辟谣效果对比图。
具体实施方式
以下将结合本发明附图,对本发明实施例中的技术方案进行详细描述和讨论。应当理解, 此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明一种社交网络中基于移动节点的辟谣方法,建立的STCIR模型能够尽量接近现实 中的谣言传播。当谣言开始传播后的某个时刻,派出移动节点发布辟谣信息并且强制改变其 他节点的转态。被改变的节点也转发辟谣信息,从而蔓延到整个网路,达到免疫和辟谣的目 的。
具体的,本发明一种社交网络中基于移动节点的辟谣方法,包括如下步骤:
步骤1):参见图1,建立Susceptible,Trustful,Contagious,Immune andRecoverable (STCIR)传播模型。图1中,五种状态中S表示未接触谣言,T表示深信谣言,C表示传播谣言, I表示免疫谣言,R表示传播辟谣。不同状态间的转化关系参见附图2。此外,M表示移动节点, 它出现在谣言出现后的某个时刻,它可以将其余节点都转化为R。C和T称为不健康节点U,其 余为健康节点。
步骤2):信息广播过程。谣言和辟谣在网络中的传播机制是类似的,统一为信息传播。 这个过程中,只有C和R节点会给周围节点传播信息。因此,判定节点处于什么状态很重要。 附图3描述了i节点传播谣言的一个示例。
如下算法1具体描述了这个过程,其中V的下标表示第几个用户,值表示当前状态。
上述算法1包括如下步骤:
如果某节点的状态为C,则该节点向相邻的其他节点发送谣言;如果相邻的其他节点状 态为S,则这些节点接收到谣言;
如果某节点状态为R,则该节点向相邻的其他节点发送辟谣;如果相邻的其他节点状态 为S或U,则这些节点接收到辟谣;其中,U表示不健康状态,包括C和T。
步骤3):状态更新过程。这个过程与时延有关,首先给n个用户设置时延T'={T'1,…,T'n}。 在这个时延内,用户可能重复接收到不同朋友发来的同个谣言。因而,该用户相信的概率会 更高一点。假设i节点vi收到三个节点v1,v2和v3的消息,并且对他们的信任率分别为 w1i,w2i和w3i。节点i最终相信这个信息(包括了谣言信息和辟谣信息)的概率为
Pi=w1i+(1-w1i)w2i+(1-w1i)(1-w2i)w3i (1)
如下算法2描述了整个状态更新过程。
上述算法2包括如下步骤:
如果某节点传播过谣言,则该节点的状态更新为T;否则,判断该节点是否接收到辟谣, 如果是,则该节点的状态更新为I;
如果某节点接收到谣言的时间大于等于预设时延,则计算该节点相信这个谣言信息的概 率;产生一个0到1之间的随机数,如果该随机数小于所述概率,则该节点的状态更新为C; 如果某节点接收到辟谣的时间大于等于预设时延,则计算该节点相信这个辟谣信息的概率; 产生一个0到1之间的随机数,如果该随机数小于所述概率,则该节点的状态更新为R。
步骤4):以上步骤模拟谣言传播过程。接下来,引入移动节点,进行辟谣。具体包括了 移动节点的出现时间、移动速度和移动策略对辟谣效果的影响。
如下算法3描述了移动节点的移动。
上述算法3包括如下步骤:
步骤a,随机产生所述移动节点M在测试总时长中的出现时间和出现的节点位置;
步骤b,所述移动节点M将该节点的状态转化成R并开始停留;
步骤c,如果所述移动节点M在该节点位置的停留时间大于移动节点M的移动时延,根 据所选的移动策略计算移动节点M移动的下一个位置;否则,停留时间加1,重复步骤c;所述移动时延为移动节点的移动速度乘以移动距离。
步骤d,移动节点M移动到下一个位置;如果此时总花费时间小于测试总时长,重复步骤 b至步骤d;所述总花费时间等于出现时间与停留时间之和。
具体的,所述移动策略,包括:移动节点朝着相邻接点中度最大的节点移动、移动节点 朝着相邻接点中距离最近的节点移动或随机向周围的相邻接点移动。当然,还可以包括其他 的移动策略,本发明实施例不做具体限制。
本实施例中,在Facebook社交网络上进行了实验,参见图4和图5所示是有没有移动节 点的对应结果;图6所示是移动节点出现时间对辟谣效果的影响;图7所示是移动节点移动 速度对结果的影响;图8是三种移动策略的控制结果。通过实验可以看出,网络中只剩下0.25% 的不健康用户,并且他们的周围节点都已经免疫,不再具备威胁。移动节点出现越早,移动 速度越快,朝节点度最大的邻接点移动能得到最好的控制效果。
以上仅为本发明实例中一个较佳的实施方案。但是,本发明并不限于上述实施方案,凡 按本发明所做的任何均等变化和修饰,所产生的功能作用未超出本方案的范围时,均属于本 发明的保护范围。
Claims (1)
1.一种社交网络中基于移动节点的辟谣方法,其特征在于,包括:建立包括S、T、C、I和R五种状态的节点传播模型,各状态在一定条件下可转化成其他状态;在谣言出现后的某个时刻,引入移动节点M,将模型中的其余节点状态都转化为R;其中,S表示未接触谣言,T表示深信谣言,C表示传播谣言,I表示免疫谣言,R表示传播辟谣;
所述各状态在一定条件下可转化成其他状态,包括通过状态为C或R的节点进行信息广播过程和节点状态更新过程;
所述进行信息广播过程,具体包括:
如果某节点的状态为C,则该节点向相邻的其他节点发送谣言;如果相邻的其他节点状态为S,则这些节点接收到谣言;
如果某节点状态为R,则该节点向相邻的其他节点发送辟谣;如果相邻的其他节点状态为S或U,则这些节点接收到辟谣;其中,U表示不健康状态,包括C和T;
节点状态更新过程,具体包括:
如果某节点传播过谣言,则该节点的状态更新为T;否则,判断该节点是否接收到辟谣,如果是,则该节点的状态更新为I;
如果某节点接收到谣言的时间大于等于预设时延,则计算该节点相信这个谣言信息的概率;产生一个0到1之间的随机数,如果该随机数小于所述概率,则该节点的状态更新为C;
如果某节点接收到辟谣的时间大于等于预设时延,则计算该节点相信这个辟谣信息的概率;产生一个0到1之间的随机数,如果该随机数小于所述概率,则该节点的状态更新为R;
相信谣言信息概率的计算方式与相信辟谣信息概率的计算方式相同,如下:
Pi=w1i+(1-w1i)w2i+(1-w1i)(1-w2i)w3i+...+(1-w1i)...(1-w(n-1)i)wni
其中,i表示某一节点;n表示预设时延给i节点发送过谣言信息或辟谣信息的节点个数;w1i、w2i…wni分别表示i对其他节点的信任率;
所述在谣言出现后的某个时刻,引入移动节点M,将模型中的其余节点状态都转化为R,具体包括:
步骤a,随机产生所述移动节点M在测试总时长中的出现时间和出现的节点位置;
步骤b,所述移动节点M将该节点的状态转化成R并开始停留;
步骤c,如果所述移动节点M在该节点位置的停留时间大于移动节点M的移动时延,根据所选的移动策略计算移动节点M移动的下一个位置;否则,停留时间加1,重复步骤c;所述移动时延为移动节点的移动速度乘以移动距离;
步骤d,移动节点M移动到下一个位置;如果此时总花费时间小于测试总时长,重复步骤b至步骤d;所述总花费时间等于出现时间与停留时间之和;
所述移动策略,包括:移动节点朝着相邻接点中度最大的节点移动、移动节点朝着相邻接点中距离最近的节点移动或随机向周围的相邻接点移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811139993.5A CN109120460B (zh) | 2018-09-28 | 2018-09-28 | 社交网络中基于移动节点的辟谣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811139993.5A CN109120460B (zh) | 2018-09-28 | 2018-09-28 | 社交网络中基于移动节点的辟谣方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109120460A CN109120460A (zh) | 2019-01-01 |
CN109120460B true CN109120460B (zh) | 2021-03-09 |
Family
ID=64857138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811139993.5A Active CN109120460B (zh) | 2018-09-28 | 2018-09-28 | 社交网络中基于移动节点的辟谣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109120460B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934727B (zh) * | 2019-03-19 | 2022-08-30 | 青岛大学 | 网络谣言传播抑制方法、装置、设备及可读存储介质 |
CN110851660B (zh) * | 2019-10-23 | 2022-07-01 | 华侨大学 | 社交网络中基于谣言传播模型的免疫回溯辟谣方法 |
CN112001072B (zh) * | 2020-08-17 | 2023-06-16 | 东北财经大学 | 基于爆发阈值及用户体验的谣言抑制方法 |
CN112464082B (zh) * | 2020-11-05 | 2022-06-28 | 重庆邮电大学 | 基于稀疏表示和张量补全的谣言-辟谣博弈传播控制方法 |
CN115051923A (zh) * | 2022-05-25 | 2022-09-13 | 广州大学 | 一种具有反攻击机制的谣言传播模型构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361231A (zh) * | 2014-11-11 | 2015-02-18 | 电子科技大学 | 一种复杂网络中的谣言传播控制方法 |
CN106096075A (zh) * | 2016-05-25 | 2016-11-09 | 中山大学 | 一种基于社交网络的消息传播模型 |
CN108092832A (zh) * | 2018-02-12 | 2018-05-29 | 山东师范大学 | 一种社交网络病毒信息抑制方法及系统 |
-
2018
- 2018-09-28 CN CN201811139993.5A patent/CN109120460B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361231A (zh) * | 2014-11-11 | 2015-02-18 | 电子科技大学 | 一种复杂网络中的谣言传播控制方法 |
CN106096075A (zh) * | 2016-05-25 | 2016-11-09 | 中山大学 | 一种基于社交网络的消息传播模型 |
CN108092832A (zh) * | 2018-02-12 | 2018-05-29 | 山东师范大学 | 一种社交网络病毒信息抑制方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于社交网络的谣言追溯技术及对策研究;吴尤可 等;《情报科学》;20170605;第35卷(第6期);第125-129页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109120460A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109120460B (zh) | 社交网络中基于移动节点的辟谣方法 | |
CN106096075B (zh) | 一种基于社交网络的消息传播模型的构建方法 | |
He et al. | Learning symmetric collaborative dialogue agents with dynamic knowledge graph embeddings | |
CN106972952B (zh) | 一种基于网络度相关性的信息传播领袖节点提取方法 | |
CN105095419A (zh) | 一种面向微博特定类型用户的信息影响力最大化方法 | |
CN112269922B (zh) | 一种基于网络表示学习的社区舆论关键人物发现方法 | |
CN108170842A (zh) | 基于三部图模型的微博热点话题溯源方法 | |
CN107194819A (zh) | 基于元胞自动机的信息传播模型 | |
CN108334953B (zh) | 一种基于权重更新的社交网络信任度学习方法 | |
CN106649685A (zh) | 考虑带评论转发行为的seiar谣言传播过程描述方法 | |
CN111079024B (zh) | 基于加强效应scir网络的舆情传播模型构建方法 | |
CN107566249A (zh) | 一种训练用于预测社交网络用户转发消息的模型的方法 | |
CN109816544B (zh) | 基于接触概率的信息传播模型实现方法及装置 | |
Yang et al. | Evolutionary game dynamics of the competitive information propagation on social networks | |
CN111414552B (zh) | 一种在线社交网络谣言传播范围的估计方法 | |
CN107171835A (zh) | 一种基于dwm 的社会信息传播与预测的仿真方法 | |
Fang et al. | Social network public opinion research based on S-SEIR epidemic model | |
CN112269945A (zh) | 基于谣言辟谣促谣和三方认知博弈的信息传播预测方法 | |
CN116468569A (zh) | 一种基于群组的针对虚假信息传播的模型构建方法 | |
CN111785390A (zh) | 基于节点影响力的改进sir传播模型研究 | |
CN108540369A (zh) | 考虑用户重度传播行为的sndr信息传播过程描述方法 | |
Wang et al. | A new genetic-based rumor diffusion model for social networks | |
CN108400883B (zh) | 一种基于网络信息流的社会分层模型实现方法 | |
Oikonomou et al. | Probabilistic flooding performance analysis exploiting graph spectra properties | |
Li et al. | Game theory-based network rumor spreading model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |