تجزیه و تحلیل تطبیقی معیارهای ساختاری گرافیکی برای شناسایی ناهنجاری ها در شبکه های اجتماعی آنلاین

سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

مقاله 1، دوره 2، شماره 1 - شماره پیاپی 3، فروردین 1400، صفحه 1-9   

نوع مقاله: مقاله پژوهشی

نویسندگان

مجتبی اعجمی^{* 1}؛ ناصر عسگری²

¹دانشکده مهندسی برق و کامپیوتر -دانشگاه آزاد اسلامی واحد زنجان - زنجان - ایران

²دانشکده مهندسی برق و کامپیوتر ، دانشگاه آزاد اسلامی واحد زنجان ، زنجان ، ایران

چکیده

شبکه های اجتماعی به دلیل استفاده وسیع و محبوبیت آنها در معرض حملات کلاهبردارانه و فعالیت های غیرقانونی و بوجود آمدن مشکلات امنیتی هستند. بنابراین، شناسایی فعالیت های غیرعادی به ویژه در شبکه های اجتماعی، به این دلیل که کمک می کند تا اطلاعات مهم و قابل توجهی در مورد رفتار کاربران غیرعادی بدست آورده و آنها را شناسایی کنیم؛ مورد نیاز است. به منظور تشخیص ناهنجاری ها در شبکه های اجتماعی، محققان عمدتاً به رویکردهای مبتنی بر رفتار و ساختار متکی هستند. ما با استفاده از معرفی و تجزیه و تحلیل معیارهای مهم گراف برای تشخیص فعالیت های غیرعادی، رویکرد مبتنی بر ساختار گراف را گسترش می دهیم. مقایسه و اثربخشی اقدامات بر اساس سنجش های آماری مانند دقت ، بازخوانی و F-Score و همچنین بر اساس نمرات غیر عادی محاسبه و ارائه شده است. ارزیابی نظری و تجربی روی چند مجموعه داده بزرگ نشان می دهد که رابطه بین گره واسط و تعداد لبه ها برای تشخیص و رتبه بندی حداکثری تعداد ناهنجاری ها به درستی کمک می کند.

کلیدواژه‌ها

ناهنجاری؛ مرکزیت ِبیناِبینی؛ گره واسط؛ دسته‌ها؛ شبکه‌های اجتماعی اینترنتی؛ شبکه‌های ستاره ای

مراجع

[1] https://zephoria.com/top-15-valuable-facebook-statistics/

[2] D. Savage, X. Zhang, X. Yu, P. Chou, and Q. Wang, "Anomaly detection in online social networks," J. Soc. Netw, vol. 39, pp. 62-70, Octobr 2014.

[3] P. Bindu and P. S. Thilagam, "Mining social networks for anomalies: Methods and challenges," J. Netw.Comput.Appl, vol. 68, pp. 213-229, June 2016.

 [9] L. Akoglu, M. McGlohon, and C. Faloutsos, "Oddball: Spotting anomalies in weighted graphs," in Proce. Int. Conf. on Knowledge Discovery and Data Mining, pp. 410-421, June 2010.

 [4] Li H , Bhowmick SS , Sun A . Blog cascade affinity: analysis and prediction. In: Proceedings of the 18th ACM conference on information and knowledge management; 2009. p. 1117–26 .

[5] Li H , Bhowmick SS , Sun A , Cui J . Affinity-driven blog cascade analysis and prediction. Data Min Knowl Discov 2014;28(2):442–74 .

[6] Agarwal N , Liu H , Tang L , Yu PS . Identifying the influential bloggers in a community. In: Proceedings of the 2008 international conference on web search and data mining; 2008. p. 207–18 .

[7] Cai K , Bao S , Yang Z , Tang J , Ma R , Zhang L , et al. OOLAM: an opinion oriented link analysis model for influence persona discovery. In: Proceedings of the fourth ACM international conference on web search and data mining; 2011. p. 645–54 .

[8] M. Newman, Networks: an introduction: Oxford university press, 2010.

[11] L. Akoglu, M. McGlohon, and C. Faloutsos, "Oddball: Spotting anomalies in weighted graphs," in Proce. Int. Conf. on Knowledge Discovery and Data Mining, pp. 410-421, June 2010.

 [13] R. Hassanzadeh, R. Nayak, and D. Stebila, "Analyzing the effectiveness of graph metrics for anomaly detection in online social networks," in Int. Conf. on Web Inf. Syst. Eng., 2012, pp. 624-630.

 [9] Vanetti M , Binaghi E , Carminati B , Carullo M , Ferrari E . Content-based filtering in on-line social networks. In: Privacy and security issues data mining and machine learning; 2011. p. 127–40 .

[10] Viswanath B , Bashir MA , Crovella M , Guha S , Gummadi KP , Krishnamurthy B . Towards detecting anomalous user behavior in online social networks. In: Proceedings of the 23rd USENIX security symposium (USENIX security); 2014. p. 223–38 .

[12] Rezaei A , Kasirun ZM , Rohani VA , Khodadadi T . Anomaly detection in online social networks using structure-based technique. In: 8th international conference for internet technology and secured transactions (ICITST); 2013. p. 619–22 .

[14] Henderson K , Gallagher B , Li L , Akoglu L , Eliassi-Rad T , Tong H . It’s who you know: graph mining using recursive structural features. In: Proceedings of the 17th ACM SIGKDD international conference on knowledge discovery and data mining; 2011. p. 663–71 .

[15] Ying X , Wu X , BarbaráD . Spectrum based fraud detection in social networks. In: Proceedings - international conference on data engineering; 2011. p. 912–23 .

[16] Miller B , Beard M , Wolfe P , Bliss N . A spectral framework for anomalous subgraph detection. IEEE Trans Signal Process 2014;63(16):4191–206 .

[17] Rattigan MJ , Jensen D . The case for anomalous link discovery. ACM SIGKDD Explorations Newsletter 2004;7(2):41–7 .

[18] Zheleva E , Getoor L , Golbeck J , Kuter U . Using friendship ties and family circles for link prediction. In: Advances in social network mining and analysis; 2010. p. 97–113 .

[19] Yang W , Shen G-W , Wang W , Gong L-Y , Yu M , Dong G-Z . Anomaly detection in microblogging via co-clustering. J Comput Sci Technol 2015;30(5):1097–108 .

[20] Aghdam SM , Navimipour NJ . Opinion leaders selection in the social networks based on trust relationships propagation. Karbala Int J Mod Sci 2016;2(2):88–97 .

 [21] Trifunovic S , Legendre F , Anastasiades C .Social trustin opportunistic networks.In: INFOCOM IEEE conference on computercommunications work- shops; 2010. p. 1–6 .

[22] Singh S , Sidhu J . An approach for determining trustworthiness of individuals in a web-based social network. Arab J Sci Eng 2016;41(2):461–77 .

[23] Breunig MM , Kriegel H-P , Ng RT , Sander J . LOF: identifying density-based local outliers. ACM Sigmod Rec 20 0 0;29(2):93–104 .

[24] Eberle W , Holder L . Anomaly detection in data represented as graphs. Intell Data Anal 2007;11(6):663–89 .