21163

۲۱۱۶۳

توليد گراف هاي قابل اعتماد مبتني بر يادگيري اتوماتا در شبكه هاي اجتماعي برخط

كارشناسي ارشد

مهندسي فناوري اطلاعات - مخابرات امن

۹۵-۹۶

۱۳۹۸/۴/۲۲

دكتر هادي شهريار شاه حسيني

برق

شبكه‌هاي اجتماعي برخط، شكل جديدي از ارتباطات و ارائه‌هاي شخصي مي‌باشند. روابط اجتماعي به‌كار رفته در آن‌ها متفاوت از روابط موجود در جهان واقعي است. شبكه‌هاي اجتماعي برخط رشد چشم‌گيري را در زمان بسيار كوتاهي تجربه كرده‌اند و بخشي جدايي‌ناپذير از زندگي و فعاليت‌هاي روزمره افراد در همه گروه‌هاي سني را به خود اختصاص داده‌اند. با گسترش شبكه‌هاي اجتماعي برخط و همچنين طبيعت باز اين شبكه‌ها، مسائل حريم شخصي مطرح مي‌شود. نگراني اصلي، شناسايي افراد قابل‌اعتماد براي محافظت از حجم وسيعي از اطلاعات در مقابل سوء‌استفاده كاربران غيرقابل‌اعتماد است. استفاده گسترده از اينترنت نيازمند فهم بيشتر "اعتماد" به‌عنوان پايه‌اي براي تعاملات امن برخط است؛ به طوركلي، اعتماد به‌عنوان اصلي‌ترين جزء روابط اجتماعي شناخته شده است. رويكردهاي متنوعي براي ارزيابي اعتماد وجود دارد كه در ميان آن‌ها رويكردهاي مبتني بر گراف بخش قابل‌توجهي از مطالعات را به خود اختصاص داده‌اند. اين رويكردها از طريق توليد گراف قابل‌اعتماد و يافتن مسيرهاي اعتماد بين اعتمادكننده و اعتمادشونده به محاسبه اعتماد مي‌پردازند. به علت مقياس بزرگ بودن شبكه‌هاي اجتماعي برخط امكان يافتن همه مسيرهاي ممكن با استفاده از روش‌هاي معمول جستجو وجود ندارد. در نتيجه، يافتن مسيرها با اعمال محدوديت در فرايند جستجو امكان‌پذير است. اين محدوديت، كاهش دقت و پوشش‌دهي را به همراه دارد. در اين پژوهش، روشي براي ارزيابي اعتماد در شبكه‌هاي اجتماعي بر خط ارائه خواهد شد كه تركيبي از روش‌هاي ارزيابي اعتماد مبتني بر گراف و مبتني بر هوش مصنوعي است. در اين روش، ابتدا همسايگي را بر اساس فاصله اجتماعي تعريف مي‌گردد. سپس، براي يافتن مسيرهاي قابل‌اعتماد بين هر دو گره به‌جاي استفاده از روش جستجوي سطح اول از يادگير اتوماتا استفاده مي‌شود. به‌اين‌ترتيب، گراف‌هاي كوچك قابل‌اعتماد براي ارزيابي اعتماد توليد خواهند شد. اين‌ روش براي دو ساختار همگن و ناهمگن پياده شده و مقايسه‌اي ميان نتايج حاصل با نتايج پژوهش پيشين صورت مي‌پذيرد. معيارهاي دقت و پوشش‌دهي به منظور ارزيابي مورد استفاده قرار مي‌گيرند. دقت به ميزان 10 درصد افزايش يافته و به مقدار 95 درصد رسيده است. همچنين، ميزان پوشش‌دهي نيز به مقدار 95 درصد افزايش يافته است. به‌اين‌علت كه، با اعمال محدوديت در جستجوي سطح اول برخي از روابط اعتماد غيرقابل‌دسترس مي‌شوند كه اين مسئله با استفاده از يادگير اتوماتا برطرف شده است.

1398/07/15

Generating trusted graphs based on learning automata in online social networks

10/7/2019 12:00:00 AM

Online Social Networks (OSNs) are new forms of connections and personal depictions. Social relations used in OSN are completely different from those of real world. OSNs have been growing dramatically in recent years and becoming inevitable part of daily life of people of different age. With expansion of OSNs as well as the open nature of them, privacy issues arise. The main concern is how to preserve this information from the unreliable users abusing. Massive using of Internet needs more and more understanding of “trust” as the basis of the safe online interactions. In this investigation, a hybrid method of graph-based and artificial intelligence approaches will be represented for trust evaluation. In this method, firstly, the neighborhood is defined based on “social distance”; therefore, each user’s neighbors are determined. Then, in order to find trust paths between each pair of nodes, learning automata is utilized to trust network instead of breadth-first search. As a result, small trusted graphs are generated. This method is implement for two homogeneous and heterogeneous structures. Results demonstrate improvements in terms of accuracy and coverage in comparison with the reference study. Accuracy has about %10 enhancement and reaches to 0.95. Additionally, coverage which illustrates the number of predictable trust relations, increases thanks to applying no limitation on the searching process of finding trust paths.