[發(fā)明專利]社交網(wǎng)絡(luò)Sybil群體檢測方法

有效

• 申請?zhí)枺?/td>: 201610087673.4
• 申請日: 2016-02-16
• 公開（公告）號(hào): CN105721467B
• 公開（公告）日: 2019-01-11
• 發(fā)明（設(shè)計(jì)）人: 潘理;夏業(yè)超
• 申請（專利權(quán)）人: 上海交通大學(xué)
• 主分類號(hào): H04L29/06
• 分類號(hào): H04L29/06;H04L12/58
• 代理公司: 上海漢聲知識(shí)產(chǎn)權(quán)代理有限公司 31236
• 代理人: 郭國中

1.一種社交網(wǎng)絡(luò)Sybil群體檢測方法，其特征在于，包括：

樣本數(shù)據(jù)采集步驟：將從社交網(wǎng)絡(luò)中已人工分辨出的Sybil用戶的用戶數(shù)據(jù)和真實(shí)用戶的用戶數(shù)據(jù)作為樣本數(shù)據(jù)；

樣本數(shù)據(jù)訓(xùn)練步驟：利用樣本數(shù)據(jù)訓(xùn)練得到最終分類閾值r；具體地，將已人工分辨出的Sybil用戶、真實(shí)用戶作為待檢測用戶，執(zhí)行屬性可信度計(jì)算步驟、建立行為特征圖模型步驟、行為特征檢測步驟、最終分類閾值獲取步驟，從而獲得最終分類閾值r；

實(shí)際檢測步驟：將社交網(wǎng)絡(luò)中的未知身份用戶作為待檢測用戶，執(zhí)行屬性可信度計(jì)算步驟、建立行為特征圖模型步驟、行為特征檢測步驟，從而獲得用戶真實(shí)度；將未知身份用戶的用戶真實(shí)度與最終分類閾值r進(jìn)行比較，若未知身份用戶的用戶真實(shí)度大于等于最終分類閾值r，則將未知身份用戶認(rèn)為是真實(shí)用戶，否則，則將未知身份用戶認(rèn)為是Sybil用戶；

其中：

所述屬性可信度計(jì)算步驟：從用戶數(shù)據(jù)中提取出待檢測用戶的屬性特征，根據(jù)待檢測用戶的屬性特征得到待檢測用戶的屬性可信度；假設(shè)對(duì)于第i種屬性A_i，Sybil用戶在第i種屬性A_i下的屬性值范圍的中心值為α_i，對(duì)于某個(gè)待檢測用戶v，若該待檢測用戶v在第i種屬性A_i下的屬性值A(chǔ)_i(v)離α_i越遠(yuǎn)，則認(rèn)為該待檢測用戶v的屬性可信度越大，即采用離Sybil用戶在屬性下的屬性值范圍的中心值的遠(yuǎn)近來描述待檢測用戶的屬性可信度；

所述建立行為特征圖模型步驟：建立帶節(jié)點(diǎn)屬性的拓?fù)浣Y(jié)構(gòu)圖G(V,E,A)；節(jié)點(diǎn)集合V中的節(jié)點(diǎn)一一對(duì)應(yīng)各個(gè)待檢測用戶；邊集合E中的邊(u,v)表示待檢測用戶u向待檢測用戶v發(fā)送了一個(gè)關(guān)注行為；A為屬性集合，A＝(A₁,A₂,...,A_i,...,A_k)，1≤i≤k，A_i表示第i種屬性，k表示屬性的數(shù)量，k的取值范圍為k∈N^*，其中，N^*表示正整數(shù)集；

所述行為特征檢測步驟：根據(jù)待檢測用戶的屬性可信度及拓?fù)浣Y(jié)構(gòu)圖G得到待檢測用戶的用戶真實(shí)度；

所述最終分類閾值獲取步驟：根據(jù)用戶真實(shí)度設(shè)置或計(jì)算得到最終分類閾值r。

2.根據(jù)權(quán)利要求1所述的社交網(wǎng)絡(luò)Sybil群體檢測方法，其特征在于，在所述屬性可信度計(jì)算步驟中，為了計(jì)算屬性可信度，作如下定義：

定義1：若對(duì)于Sybil用戶s的第i種屬性A_i的屬性值A(chǔ)_i(s)，尋找到α_i，使得滿足下式中對(duì)應(yīng)第i種屬性A_i的常數(shù)M_i最小：

P(|A_i(s)-α_i|≤M_i)＞β

則令該屬性值A(chǔ)_i(s)的屬性值范圍A_is為：

A_is∈(α_i-M_i,α_i+M_i)

其中，P(·)表示概率，β表示設(shè)定的Sybil用戶比例，常數(shù)M_i的取值范圍為M_i∈(0,MAX(A_i(s))/2)。

3.根據(jù)權(quán)利要求1所述的社交網(wǎng)絡(luò)Sybil群體檢測方法，其特征在于，在所述屬性可信度計(jì)算步驟中，待檢測用戶v在屬性(A₁,A₂,...,A_i,...,A_k)下的屬性可信度C(v)表示為離Sybil用戶在屬性(A₁,A₂,...,A_i,...,A_k)下的屬性值范圍的中心值(α₁,α₂,...,α_k)的歐式距離：