20352

۲۰۳۵۲

ارائه يك راهنكار جهت تشخيص ناهنجاري در شبكه هاي اجتماعي با گراف ارتباطات

كارشناسي ارشد

كامپيوتر

۱۳۹۵-۱۳۹۷

۱۳۹۷/۱۲/۱۹

دكتر بهروز مينايي

كامپيوتر

امروزه شبكههاي اجتماعي نقش بسيار مهمي را در تبادل اطلاعات و ارتباطات بين مردم دنيا ايفا ميكنند. گسترش روز افزون شبكههاي اجتماعي و تأثير آن بر ابعاد مختلف زندگي و جوامع بشري از طرفي فوايد زيادي در زندگي بشر داشته و از طرف ديگر موجب پديدآمدن ظرفيت مشكلات امنيتي بسياري مثل رفتارهاي خرابكارانه، كلاهبرداري، عمليات تروريستي، هرزنامهها و غيره شده است. از اين رو، شناسايي رفتارهاي ناهنجار و مخرب يكي از نيازهاي ضروري است. ناهنجاري در شبكههاي اجتماعي به رفتارها و الگوهايي گفته ميشود كه با رفتار عمومي افراد آن شبكه همخواني ندارد. روشهاي موجود براي شناسايي رفتارهاي ناهنجار در شبكههاي اجتماعي برروي يك نوع رفتار خاص از كاربران متمركز هستند در صورتي كه رفتارها و تبادلات انسانها به صورت ذاتي چندگانه و متنوع است. براي مدل كردن اينگونه رفتارها از شبكههاي چندلايهاي استفاده ميشود. به منظور شناسايي افراد ناهنجار، در اين پژوهش، روشي مبتني بر گراف ارتباطات ايستا و ادغام اطلاعات بهدست آمده از لايههاي مختلف در شبكهي اجتماعي ارائه شده است. روش پيشنهادي يك روش بدون ناظر و مبتني بر ويژگيهاي ساختاري شبكه است. در روش پيشنهادي، ناهنجاري افراد بر اساس دو الگوي ستارهاي و دستهاي سنجيده ميشود. بدين صورت كه ابتدا مجموعه داده ورودي به لايههاي مختلفي دستهبندي شده و سپس در هر لايه براي تمامي گرههاي موجود بر اساس الگوهاي ذكر شده امتياز ناهنجاري استخراج ميشود. در مرحلهي بعدي اين امتيازها بر اساس وزنهاي مختلف هر لايه با يكديگر ادغام شده و امتياز نهايي ناهنجاري بدست ميآيد. ادغام امتيازهاي ناهنجاري حاصل از لايههاي مختلف، بر اساس ميزان تأثير لايهي مربوطه بر روي امتياز مورد نظر صورت ميگيرد كه اين وزن براي هر گره در هر لايه به صورت مجزا محاسبه ميشود. همچنين اين پژوهش روش نگرش محلي و غير محلي را با هم ادغام كرده است؛ بدين صورت كه علاوه بر در نظر گرفتن همسايههاي مرتبهي اول يك شخص در محاسبات، همسايههاي مرتبهي دوم را نيز در نظر ميگيرد. اين امر باعث ميشود افرادي كه با واسطهگري اشخاص ديگر سعي بر پنهان كردن رفتار خود دارند نيز شناسايي شوند. به منظور ارزيابي روش پيشنهادي از دو مجموعه دادههاي Noordin Top Terrorist Network و Social Evolution Dataset استفاده شده است. ارزيابيها اثبات ميكند كه روش پيشنهادي نسبت به روشهاي موجود در مرزهاي دانش در پيدا كردن الگوهاي مخفي با دقّت بيشتري عمل ميكند.

1398/02/03

Anomaly detection method for social network using communication graph

4/23/2019 12:00:00 AM

Nowadays, social networks play a very important role in the exchange of information and communication among the people of the world. The increasing spread of social networks and its impact on various dimensions of life and human societies have, on the one hand, great benefits to human life, and on the other hand, has created a capacity for many security problems, such as subversive behavior, fraud, terrorist operations, spam, and so on. Identifying anomalous and destructive behaviors is an essential requirement. Anomaly in social networks are referred to as behaviors and patterns that are not consistent with the general behavior of those networks. The methods available to identify abnormal behaviors in social networks focus on a particular behavior of users, while human behavior and exchanges are inherently multiple and diverse. Multilayer networks are used to model such behaviors. In order to identify malicious people, in this research, a method based on the static communication graph and integration of information obtained from different layers in the social network is presented. The proposed method is an unsupervised method based on the structural characteristics of the network. In the proposed method, people's abnormalities are measured based on two star-near star and clique-near clique patterns. First, the collection of input data is categorized into different layers and then extracted in each layer for all existing nodes based on the patterns mentioned. In the next step, these scores are merged into different layers based on the weight of each layer and the ultimate anomaly score is obtained. The integration of the disparity scores from different layers is based on layer relevance for individual nodes, which is calculated for each node in each layer individually. We also integrated the method of local and non-local attitudes, in addition to considering the one-step neighbors of a person in computing, it considers two-steps neighbors. This makes it possible for those who interfere with other people to hide their behavior. The Noordin Top Terrorist Network and the Social Evolution Dataset have been used to evaluate the proposed method. The evaluations prove that the proposed method works more accurately than the methods available at the knowledge boundaries to find hidden patterns.