CN117240523A - 一种基于结构信息原理的网络欺骗账户的检测方法 - Google Patents
一种基于结构信息原理的网络欺骗账户的检测方法 Download PDFInfo
- Publication number
- CN117240523A CN117240523A CN202311128535.2A CN202311128535A CN117240523A CN 117240523 A CN117240523 A CN 117240523A CN 202311128535 A CN202311128535 A CN 202311128535A CN 117240523 A CN117240523 A CN 117240523A
- Authority
- CN
- China
- Prior art keywords
- network
- user
- spoofing
- account
- node
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000000694 effects Effects 0.000 claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 31
- 230000008485 antagonism Effects 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 6
- 230000002787 reinforcement Effects 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 13
- 239000003795 chemical substances by application Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 230000035582 behavioral recognition Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009329 sexual behaviour Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Abstract
本发明公开一种基于结构信息原理的网络欺骗账户的检测方法，包括步骤：S10,建立基于结构信息原理的网络欺骗账号对抗性行为识别模型；S20,基于网络欺骗账号对抗性行为识别模型，对网络用户数据进行识别，识别网络欺骗账户。所述网络欺骗账号对抗性行为识别模型包括三个阶段：用户图构建、网络活动确定和网络用户选择。本发明解决了当前网络欺骗监测方法存在行为模型识别准确率不高、效率较低等问题。本发明通过应用结构信息理论，构建欺骗网络的异质拓扑结构，实现对其对抗性行为模式的准确动态建模，从而为监测和防范网络欺骗提供了一种更可解释和高效的技术手段。
Description
技术领域
本发明属于网络安全技术领域，特别是涉及一种基于结构信息原理的网络欺骗账户的检测方法。
背景技术
网络欺骗账户在操纵和干预网络舆论中扮演着重要角色。这些账户往往是通过自动化软件控制,可以模拟真实用户的行为模式,与其他网络用户进行交互。这种网络欺骗技术被许多不法分子用来推动某些议题,引导和操纵网络讨论的方向,以影响和左右公众舆论。然而,网络欺骗账户也存在一些问题。它们常常被批评传播包含谣言或不实信息的内容,可能导致网络社区混乱产生误导。由于这些欺骗账户可以模仿真实用户的各种行为,比如建立关注者和评论者网络,并积极主动参与互动,使得区分它们与普通用户账户具有很大难度。
为了检测并防止网络欺骗的负面影响,研究人员提出了许多方法,其中包括监督学习和无监督学习方法。这些方法试图通过分析账户的行为模式、发帖内容、互动关系网络等综合特征,建立分类模型来识别这些欺骗账户。监督学习方法可以利用已知的网络欺骗账户和正常用户账户进行模型训练,建立分类器来区分两者。这些分类模型可以根据账户的行为模式、发帖内容、互动关系等综合特征进行判断。例如,通过分析账户的活跃频率、发帖语义、互动方式等可以识别出网络欺骗账户。无监督学习方法则直接从大量未标注数据中学习,通过检测行为异常模式来发现潜在的网络欺骗账户。例如可以使用聚类和异常检测算法识别出与正常用户明显不同的账户。但是,这两类方法都存在被动识别的问题,因为网络欺骗账户可以改变策略来规避模型,比如改变发帖时间和内容,隐藏部分特征等,来避开当前的监测方法。
而现有的方法存在很多问题，现有模型并未考虑基于社交活动的检测器，且并未对社交网络中的不同类型的账户进行区别，进而影响了其性能表现。现有方法不考虑整个社交网络结构来动态确定活动类型是不够的。较低级别的代理需要维护所有用户的局部特征来选择关注者，这会导致计算效率低下。因此，当前网络欺骗监测方法存在行为模型识别准确率不高、效率较低等问题。
发明内容
为了解决上述问题，本发明提出了一种基于结构信息原理的网络欺骗账户的检测方法，解决了当前网络欺骗监测方法存在行为模型识别准确率不高、效率较低等问题。
为达到上述目的，本发明采用的技术方案是：一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，包括步骤：
S10,建立基于结构信息原理的网络欺骗账号对抗性行为识别模型；
S20,网络欺骗账号对抗性行为识别模型，对网络用户数据进行识别，识别网络欺骗账户。
进一步的是，所述网络欺骗账号对抗性行为识别模型的建立包括三个阶段：用户图构建、网络活动确定和网络用户选择；
第一步，构建包含不同类型节点和关系的复杂网络结构图，节点表示不同用户，边表示用户间各类交互关系；
第二步，使用结构信息理论工具提取网络拓扑结构特征，编码并简化网络，最小化结构熵以准确建模；并基于不同节点的结构熵大小，测算每个节点的网络影响力；
最后，以最小化条件结构熵为目标，指导欺骗账号选择高影响力节点建立链接，最大化在网络中的影响范围。
进一步的是，在所述用户图构建阶段，包括步骤：
基于网络用户的历史交互行为，提取出不同类型的用户节点，以及它们之间的各类链接关系，构建成一个异构的复杂网络图结构；在所述复杂网络图结构中，网络节点表示不同用户，边表示不同用户之间的互动关系；
将所述复杂网络图结构转换为一张包含多种关系的用户关系图；图中的节点集合包含了正常用户和潜在的网络欺骗账号；并为每个用户节点引入预训练的文本和时间特征，增强节点的语义表示能力；当不同用户通过各类网络活动共享相同内容时，在用户关系图中建立表达不同关系的有向边；
采用关系图卷积网络，根据网络结构信息来学习用户关系图中每个用户节点的网络嵌入表达；最终，每个用户节点集成了内容和网络结构两方面信息，得到具有增强网络表示的用户关系网络。
进一步的是，在所述网络活动确定阶段，包括步骤：
建立强化学习智能体，动态地选择不同类型的网络活动，来简化表示用户关系网络，将用户关系网络转换为同质化的用户网络；
将信息传播建模为用户间的随机游走过程，并用结构熵来量化不同活动导致的网络不确定度变化；通过最小化网络的结构熵，学习到一个最优编码树结构，编码树结构表示了用户层级关系。
进一步的是，将用户关系网络转换为同质化的用户网络的过程中，生成分层的网络社区结构，为后续识别高影响力的目标账号提供支持；
在每个时间步，强化学习智能体编码历史活动作为状态向量，并根据学习到的策略来决定下一步的网络活动类型，以实现持续地隐蔽自己；
基于选择的网络活动类型，通过消除代表其他社交关系的边，将复杂的用户关系网络简化为只含单一类型关系的同质网络。
进一步的是，在所述网络用户选择阶段，包括步骤：
在确定前一阶段网络活动类型后，量化每个网络社区内用户的影响力,并计算网络欺骗账号与叶节点用户的条件结构熵，以指导追随者选择，最大化其影响范围；
修剪编码树中影响力较弱的分支，过滤对应用户节点；对每个潜在追随者，验证欺骗账号是否存在于从该节点到树根的所有节点社区中；如果存在，累加路径上每个节点的结构熵，定义为条件结构熵；利用条件结构熵度量欺骗信息到达该节点的不确定性，即被追随的概率，作为初始选择概率；
最后,采用增强学习方法进一步优化选择策略，实现高影响力追随者选择。
进一步的是，在所述量化每个网络社区内用户的影响力过程中，对编码树中每个节点，计算其结构熵，结构熵值越高表示该节点社区内用户互动的不确定性越大；沿树根到叶节点的路径累加每个节点的可能性，量化目标用户社区的网络影响力。
进一步的是，接收社交网络的环境状态数据，生成社交活动来更新网络欺骗账号对抗性行为识别模型，并获取奖励信息以进一步优化。
进一步的是，欺骗账号更新用户关系图，将选定追随者添加为邻居节点。
采用本技术方案的有益效果：
本发明基于结构信息理论为分析网络结构、提取网络拓扑特征提供了工具。具体而言，在本发明的监测模型中使用基于树节点结构熵的网络账户影响力量化方法,以提高动态建模的计算效率，指导平凡账户的过滤。此外，本发明通过定义条件结构熵，衡量不同决策下的网络结构变化，来指导账户的追随者选择，最大化其网络影响力。相比现有的网络欺骗账户识别模型，本发明通过应用结构信息理论，构建欺骗网络的异质拓扑结构，实现对其对抗性行为模式的准确动态建模，从而为监测和防范网络欺骗提供了一种更可解释和高效的技术手段。
具体具有以下优势：
本发明应用结构信息理论，提取网络拓扑结构特征，实现对网络欺骗行为的可解释建模。利用结构信息原理来解决网络欺骗对抗性建模中的挑战，构建高效的网络欺骗检测模型。
本发明提出基于树节点结构熵的影响力量化方法，可以有效降低模型复杂度，提升计算效率。利用每个用户社区分配的结构熵来量化网络影响力的方法。通过计算每个用户节点的结构熵，可以有效过滤掉无影响力的用户，从而降低计算复杂度。
本发明计算条件结构熵，基于网络结构变化指导欺骗账号的目标选择，实现影响力最大化。计算网络欺骗账号和其它账户节点之间的条件结构熵。欺骗账号可以根据条件结构熵高低选择高影响力节点作为目标。这种方法实现了利用网络拓扑结构信息进行的有效目标选取。
本发明相比仅利用账户属性特征的静态建模，实现了基于拓扑结构的动态建模。采用强化学习方法不断优化网络欺骗账号的选择策略，以适应动态变化的网络环境，达到持续扩大影响力的效果。
本发明具有通用性,可以扩展应用于其他网络欺骗场景的对抗性检测。
附图说明
图1为本发明的一种基于结构信息原理的网络欺骗账户的检测方法流程示意图；
图2为本发明实施例中网络欺骗账号对抗性行为识别模型的原理示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种基于结构信息原理的网络欺骗账户的检测方法，包括步骤：
S10,建立基于结构信息原理的网络欺骗账号对抗性行为识别模型；
S20,网络欺骗账号对抗性行为识别模型，对网络用户数据进行识别，识别网络欺骗账户。
作为上述实施例的优化方案，如图2所示，所述网络欺骗账号对抗性行为识别模型的建立包括三个阶段：用户图构建、网络活动确定和网络用户选择；
第一步，构建包含不同类型节点和关系的复杂网络结构图，节点表示不同用户，边表示用户间各类交互关系；
第二步，使用结构信息理论工具提取网络拓扑结构特征，编码并简化网络，最小化结构熵以准确建模；并基于不同节点的结构熵大小，测算每个节点的网络影响力；
最后，以最小化条件结构熵为目标，指导欺骗账号选择高影响力节点建立链接，最大化在网络中的影响范围。
其中，在所述用户图构建阶段，包括步骤：
基于网络用户的历史交互行为，提取出不同类型的用户节点，以及它们之间的各类链接关系，构建成一个异构的复杂网络图结构；在所述复杂网络图结构中，网络节点表示不同用户，边表示不同用户之间的互动关系；
为了保留不同用户节点之间的异质性信息，将所述复杂网络图结构转换为一张包含多种关系的用户关系图；图中的节点集合包含了正常用户和潜在的网络欺骗账号；并为每个用户节点引入预训练的文本和时间特征，增强节点的语义表示能力；当不同用户通过各类网络活动共享相同内容时，在用户关系图中建立表达不同关系的有向边；
由于这多种用户关系的杂质程度不同,会共同影响用户表示的学习。所以采用关系图卷积网络，根据网络结构信息来学习用户关系图中每个用户节点的网络嵌入表达；最终，每个用户节点集成了内容和网络结构两方面信息，得到具有增强网络表示的用户关系网络。这种建模网络欺骗账号及其用户关系的异构网络表示,为后续检测网络欺骗账号对抗性行为建模提供了重要的结构化用户行为数据。
其中，在所述网络活动确定阶段，包括步骤：
建立强化学习智能体，动态地选择不同类型的网络活动，来简化表示用户关系网络，将用户关系网络转换为同质化的用户网络；
为了评估不同活动对网络结构的影响,将信息传播建模为用户间的随机游走过程，并用结构熵来量化不同活动导致的网络不确定度变化；通过最小化网络的结构熵，学习到一个最优编码树结构，编码树结构表示了用户层级关系。
这种引入强化学习来动态简化网络结构的方法，有利于深入建模网络欺骗账号的互动行为，为检测目标提供有效的社交内容和拓扑结构信息。
优选的，将用户关系网络转换为同质化的用户网络的过程中，生成分层的网络社区结构，为后续识别高影响力的目标账号提供支持；
在每个时间步，强化学习智能体编码历史活动作为状态向量，并根据学习到的策略来决定下一步的网络活动类型，以实现持续地隐蔽自己；
基于选择的网络活动类型，通过消除代表其他社交关系的边，将复杂的用户关系网络简化为只含单一类型关系的同质网络。
为了计算每个有向边的权重,我们使用Spearman相关性分析节点特征。
其中，在所述网络用户选择阶段，包括步骤：
在确定前一阶段网络活动类型后，量化每个网络社区内用户的影响力,并计算网络欺骗账号与叶节点用户的条件结构熵，以指导追随者选择，最大化其影响范围；
为减少追随者选择复杂度，修剪编码树中影响力较弱的分支，过滤对应用户节点；这降低了追随者选择的规模，提高效率。
对每个潜在追随者，验证欺骗账号是否存在于从该节点到树根的所有节点社区中；如果存在，累加路径上每个节点的结构熵，定义为条件结构熵；利用条件结构熵度量欺骗信息到达该节点的不确定性，即被追随的概率，作为初始选择概率；
最后,采用增强学习方法进一步优化选择策略，实现高影响力追随者选择。
通过编码树结构熵建模和增强学习优化,我们实现了针对追随者选择的网络欺骗账号影响力最大化。
优选的，在所述量化每个网络社区内用户的影响力过程中，对编码树中每个节点，计算其结构熵，结构熵值越高表示该节点社区内用户互动的不确定性越大；沿树根到叶节点的路径累加每个节点的可能性，量化目标用户社区的网络影响力。
作为上述实施例的优化方案，接收社交网络的环境状态数据，生成社交活动来更新网络欺骗账号对抗性行为识别模型，并获取奖励信息以进一步优化。
其中，欺骗账号更新用户关系图，将选定追随者添加为邻居节点。
本发明提出了一种基于结构信息原理的网络欺骗账号对抗性建模方法，以并在同质与异质社交网络下开展了大量对比性实验，其中在生成图中进行模型训练，而在真实图中进行模型测试，从而证明了该方法在网络影响力以及持续隐藏性的有效性。
在同质以及异质社交网络下，本发明提出的网络欺骗账号对抗性行为识别模型在训练以及测试阶段均明显提升了网络影响力，相比于对比模型，最多实现了116.64(16.32％)的性能提升。
在同质以及异质社交网络下，S本发明提出的网络欺骗账号对抗性行为识别模型在训练以及测试阶段均明显提升了持续隐藏性，相比于对比模型，最多实现了13.21(16.29％)的性能提升。
在真实场景下的模型测试阶段，本发明提出的网络欺骗账号对抗性行为识别模型基于结构熵全局特征进行用户过滤以及跟随者选择，克服了已有方法基于局部特征建模的缺点，进而实现了更为高效的动态建模过程。
此外，在本项工作中，我们对同质社交网络进行消融研究，以检验本发明提出的网络欺骗账号对抗性行为识别模型中用户过滤和关注者选择阶段的影响。实验结果表明，删除用户过滤或后续选择阶段会降低策略学习的整体质量和效率。这些发现表明，基于结构信息原理的过滤和选择阶段在提高对抗性建模的性能方面发挥着至关重要的作用。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，包括步骤：
S10,建立基于结构信息原理的网络欺骗账号对抗性行为识别模型；
S20,网络欺骗账号对抗性行为识别模型，对网络用户数据进行识别，识别网络欺骗账户。
2.根据权利要求1所述的一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，所述网络欺骗账号对抗性行为识别模型的建立包括三个阶段：用户图构建、网络活动确定和网络用户选择；
第一步，构建包含不同类型节点和关系的复杂网络结构图，节点表示不同用户，边表示用户间各类交互关系；
第二步，使用结构信息理论工具提取网络拓扑结构特征，编码并简化网络，最小化结构熵以准确建模；并基于不同节点的结构熵大小，测算每个节点的网络影响力；
最后，以最小化条件结构熵为目标，指导欺骗账号选择高影响力节点建立链接，最大化在网络中的影响范围。
3.根据权利要求2所述的一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，在所述用户图构建阶段，包括步骤：
基于网络用户的历史交互行为，提取出不同类型的用户节点，以及它们之间的各类链接关系，构建成一个异构的复杂网络图结构；在所述复杂网络图结构中，网络节点表示不同用户，边表示不同用户之间的互动关系；
将所述复杂网络图结构转换为一张包含多种关系的用户关系图；图中的节点集合包含了正常用户和潜在的网络欺骗账号；并为每个用户节点引入预训练的文本和时间特征，增强节点的语义表示能力；当不同用户通过各类网络活动共享相同内容时，在用户关系图中建立表达不同关系的有向边；
采用关系图卷积网络，根据网络结构信息来学习用户关系图中每个用户节点的网络嵌入表达；最终，每个用户节点集成了内容和网络结构两方面信息，得到具有增强网络表示的用户关系网络。
4.根据权利要求2所述的一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，在所述网络活动确定阶段，包括步骤：
建立强化学习智能体，动态地选择不同类型的网络活动，来简化表示用户关系网络，将用户关系网络转换为同质化的用户网络；
将信息传播建模为用户间的随机游走过程，并用结构熵来量化不同活动导致的网络不确定度变化；通过最小化网络的结构熵，学习到一个最优编码树结构，编码树结构表示了用户层级关系。
5.根据权利要求4所述的一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，将用户关系网络转换为同质化的用户网络的过程中，生成分层的网络社区结构，为后续识别高影响力的目标账号提供支持；
在每个时间步，强化学习智能体编码历史活动作为状态向量，并根据学习到的策略来决定下一步的网络活动类型，以实现持续地隐蔽自己；
基于选择的网络活动类型，通过消除代表其他社交关系的边，将复杂的用户关系网络简化为只含单一类型关系的同质网络。
6.根据权利要求2所述的一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，在所述网络用户选择阶段，包括步骤：
在确定前一阶段网络活动类型后，量化每个网络社区内用户的影响力,并计算网络欺骗账号与叶节点用户的条件结构熵，以指导追随者选择，最大化其影响范围；
修剪编码树中影响力较弱的分支，过滤对应用户节点；对每个潜在追随者，验证欺骗账号是否存在于从该节点到树根的所有节点社区中；如果存在，累加路径上每个节点的结构熵，定义为条件结构熵；利用条件结构熵度量欺骗信息到达该节点的不确定性，即被追随的概率，作为初始选择概率；
最后,采用增强学习方法进一步优化选择策略，实现高影响力追随者选择。
7.根据权利要求6所述的一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，在所述量化每个网络社区内用户的影响力过程中，对编码树中每个节点，计算其结构熵，结构熵值越高表示该节点社区内用户互动的不确定性越大；沿树根到叶节点的路径累加每个节点的可能性，量化目标用户社区的网络影响力。
8.根据权利要求1所述的一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，接收社交网络的环境状态数据，生成社交活动来更新网络欺骗账号对抗性行为识别模型，并获取奖励信息以进一步优化。
9.根据权利要求8所述的一种基于结构信息原理的网络欺骗账户的检测方法，其特征在于，欺骗账号更新用户关系图，将选定追随者添加为邻居节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311128535.2A CN117240523A (zh) | 2023-09-04 | 2023-09-04 | 一种基于结构信息原理的网络欺骗账户的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311128535.2A CN117240523A (zh) | 2023-09-04 | 2023-09-04 | 一种基于结构信息原理的网络欺骗账户的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117240523A true CN117240523A (zh) | 2023-12-15 |
Family
ID=89083583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311128535.2A Pending CN117240523A (zh) | 2023-09-04 | 2023-09-04 | 一种基于结构信息原理的网络欺骗账户的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117240523A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591921A (zh) * | 2024-01-19 | 2024-02-23 | 中国传媒大学 | 基于欺骗与反欺骗理论的对抗生成欺骗检测方法 |
-
2023
- 2023-09-04 CN CN202311128535.2A patent/CN117240523A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591921A (zh) * | 2024-01-19 | 2024-02-23 | 中国传媒大学 | 基于欺骗与反欺骗理论的对抗生成欺骗检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109615116B (zh) | 一种电信诈骗事件检测方法和检测系统 | |
| CN110457404B (zh) | 基于复杂异质网络的社交媒体账户分类方法 | |
| CN102789593B (zh) | 基于增量式ghsom神经网络的入侵检测方法 | |
| CN101355504B (zh) | 一种用户行为的确定方法和装置 | |
| CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
| CN117240523A (zh) | 一种基于结构信息原理的网络欺骗账户的检测方法 | |
| CN109325232A (zh) | 一种基于lda的用户行为异常分析方法、系统及存储介质 | |
| Makkar et al. | PROTECTOR: An optimized deep learning-based framework for image spam detection and prevention | |
| Bateni et al. | Using Artificial Immune System and Fuzzy Logic for Alert Correlation. | |
| DeLooze | Attack characterization and intrusion detection using an ensemble of self-organizing maps | |
| CN114499982A (zh) | 蜜网动态配置策略生成方法、配置方法及存储介质 | |
| CN116248362A (zh) | 一种基于双层隐马尔可夫链的用户异常网络访问行为识别方法 | |
| Janani et al. | Threat analysis model to control IoT network routing attacks through deep learning approach | |
| CN105721467A (zh) | 社交网络Sybil群体检测方法 | |
| CN116916317A (zh) | 一种基于大白鲨和随机森林的入侵检测方法 | |
| CN116633589A (zh) | 社交网络中恶意账户检测方法、设备及存储介质 | |
| CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
| Meng et al. | Novel Wireless Sensor Network Intrusion Detection Method Based on LightGBM Model. | |
| CN111465021B (zh) | 基于图的骚扰电话识别模型构建方法 | |
| CN113537272A (zh) | 基于深度学习的半监督社交网络异常账号检测方法 | |
| Huang | Information Dissemination Control Algorithm of Ecological Changes in the New Media Communication Environment | |
| CN110399705A (zh) | 判断欺诈用户的方法、装置、设备、及存储介质 | |
| Jazzar et al. | A novel soft computing inference engine model for intrusion detection | |
| CN117391456B (zh) | 基于人工智能的村社管理方法及服务平台系统 | |
| Wu et al. | A simple heuristic for classification with ant-miner using a population |
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 |