[發(fā)明專利]一種基于圖神經(jīng)網(wǎng)絡(luò)的機(jī)器賬號識別及偽裝對抗方法

有效

• 申請?zhí)枺?/td>: 202110442722.2
• 申請日: 2021-04-23
• 公開（公告）號: CN113268782B
• 公開（公告）日: 2022-08-16
• 發(fā)明（設(shè)計(jì)）人: 李陽陽;劉弋鋒;武文翰;金昊;郭慶浪;楊智欽;彭浩;楊陽朝;石珺
• 申請（專利權(quán)）人: 中國電子科技集團(tuán)公司電子科學(xué)研究院;深圳市網(wǎng)聯(lián)安瑞網(wǎng)絡(luò)科技有限公司
• 主分類號: G06F21/73
• 分類號: G06F21/73;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 工業(yè)和信息化部電子專利中心 11010
• 代理人: 羅丹

1.一種基于圖神經(jīng)網(wǎng)絡(luò)的機(jī)器賬號識別及偽裝對抗方法，其特征在于，包括：

在第一預(yù)設(shè)關(guān)系下，基于所述第一預(yù)設(shè)關(guān)系的圖神經(jīng)網(wǎng)絡(luò)GNN對該圖神經(jīng)網(wǎng)絡(luò)GNN下各個用戶節(jié)點(diǎn)的標(biāo)簽進(jìn)行預(yù)測，得到所述第一預(yù)設(shè)關(guān)系下各用戶節(jié)點(diǎn)的標(biāo)簽值；

根據(jù)所述各用戶節(jié)點(diǎn)標(biāo)簽值確定所述用戶節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)的相似度，具體是運(yùn)用多層感知機(jī)對用戶的標(biāo)簽進(jìn)行預(yù)測，用戶標(biāo)簽預(yù)測結(jié)果的曼哈頓距離來代表兩個用戶之間的相似度；

根據(jù)所述圖神經(jīng)網(wǎng)絡(luò)GNN和所述相似度，按照第一預(yù)設(shè)相似度閾值來聚合所述用戶節(jié)點(diǎn)和其相似的鄰居節(jié)點(diǎn)，并過濾不相似的鄰居節(jié)點(diǎn)，得到所述第一預(yù)設(shè)關(guān)系下所述用戶節(jié)點(diǎn)的嵌入表示；

重復(fù)執(zhí)行上述步驟，獲得其他預(yù)設(shè)關(guān)系下用戶節(jié)點(diǎn)的嵌入表示；

將不同預(yù)設(shè)關(guān)系下的用戶節(jié)點(diǎn)的嵌入表示按照對應(yīng)預(yù)設(shè)關(guān)系下的預(yù)設(shè)相似度閾值進(jìn)行聚合，得到最終的嵌入表示，并基于該最終的嵌入表示判斷用戶節(jié)點(diǎn)是否是機(jī)器賬號。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述各用戶節(jié)點(diǎn)標(biāo)簽值確定所述用戶節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)的相似度之后，所述根據(jù)所述圖神經(jīng)網(wǎng)絡(luò)GNN和所述相似度，按照第一預(yù)設(shè)相似度閾值來聚合所述用戶節(jié)點(diǎn)和其相似的鄰居節(jié)點(diǎn)之前，所述方法還包括：

根據(jù)損失函數(shù)來對所確定的相似度進(jìn)行修正，使預(yù)測得到的用戶節(jié)點(diǎn)的標(biāo)簽值越來越接近預(yù)設(shè)的用戶節(jié)點(diǎn)的標(biāo)簽，最終使預(yù)測得到的用戶節(jié)點(diǎn)的標(biāo)簽值更為準(zhǔn)確；

其中，代表網(wǎng)絡(luò)的第層，代表用戶，代表第層第個節(jié)點(diǎn)的嵌入表示，表示預(yù)設(shè)的第個用戶節(jié)點(diǎn)的標(biāo)簽值，為預(yù)測得到的用戶節(jié)點(diǎn)的標(biāo)簽值。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述標(biāo)簽為預(yù)先根據(jù)所述用戶節(jié)點(diǎn)的特征而設(shè)置的，且所述標(biāo)簽值的范圍在0-1之間，表示所述用戶節(jié)點(diǎn)屬于機(jī)器節(jié)點(diǎn)概率值。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：通過強(qiáng)化學(xué)習(xí)來獲取每種預(yù)設(shè)關(guān)系所對應(yīng)的預(yù)設(shè)相似度閾值，以過濾掉具有偽裝行為的不相似節(jié)點(diǎn)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述通過強(qiáng)化學(xué)習(xí)來獲取每種預(yù)設(shè)關(guān)系所對應(yīng)的預(yù)設(shè)相似度閾值，包括：

預(yù)設(shè)初始的相似度閾值，并通過多臂伯努利機(jī)B(A，f，T)計(jì)算的兩次相鄰訓(xùn)練過程的相似度的平均值，通過平均相似度差值來對得到的預(yù)設(shè)相似度閾值進(jìn)行調(diào)整，直到得到最優(yōu)相似度閾值，并將該最優(yōu)相似度閾值作為對應(yīng)的預(yù)設(shè)關(guān)系預(yù)設(shè)相似度閾值；其中，A為是動作空間，f為獎勵函數(shù)，T為終止條件。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述通過多臂伯努利機(jī)B(A，f，T)計(jì)算的兩次相鄰訓(xùn)練過程的平均相似度差值，通過該平均相似度差值來對得到的預(yù)設(shè)相似度閾值進(jìn)行調(diào)整，直到得到最優(yōu)相似度閾值，包括：

通過所述獎勵函數(shù)基于用戶節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)兩次相鄰訓(xùn)練過程的相似度的平均值來對所述預(yù)設(shè)的初始的相似度閾值進(jìn)行獎懲的調(diào)整，如果本次訓(xùn)練進(jìn)程與上次進(jìn)程相比較，用戶節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)的相似度的平均值更小，則對本輪動作進(jìn)行獎勵，反之則懲罰；

所述動作空間A根據(jù)所述獎勵函數(shù)的獎勵觸發(fā)則對相似度閾值加上一個預(yù)設(shè)固定數(shù)值，并根據(jù)所述獎勵函數(shù)的懲罰觸發(fā)則對相似度閾值減去一個所述預(yù)設(shè)固定數(shù)值，且所述預(yù)設(shè)固定數(shù)值在0至1之間；

當(dāng)滿足所述終止條件，則將當(dāng)天的相似度閾值確定為最優(yōu)的相似度閾值。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述當(dāng)滿足所述終止條件，則將當(dāng)天的相似度閾值確定為最優(yōu)的相似度閾值，包括：

當(dāng)連續(xù)預(yù)設(shè)數(shù)量個訓(xùn)練進(jìn)程的獎勵函數(shù)之和小于預(yù)設(shè)數(shù)值，則確定滿足所述終止條件，將當(dāng)天的相似度閾值確定為最優(yōu)的相似度閾值。

8.根據(jù)權(quán)利要求1-6中任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述圖神經(jīng)網(wǎng)絡(luò)GNN和所述相似度，按照第一預(yù)設(shè)相似度閾值來聚合所述用戶節(jié)點(diǎn)和其相似的鄰居節(jié)點(diǎn)，并過濾不相似的鄰居節(jié)點(diǎn)，還包括：

根據(jù)所述第一預(yù)設(shè)關(guān)系的圖神經(jīng)網(wǎng)絡(luò)GNN和所預(yù)測的相似度，按照第一預(yù)設(shè)相似度閾值來聚合與所述用戶節(jié)點(diǎn)相似的top-p鄰居節(jié)點(diǎn)，并過濾不相似的鄰居節(jié)點(diǎn)，其中，p為自然數(shù)。