视交叉上核gydF4y2Ba 安全性和通信网络gydF4y2Ba 1939 - 0122gydF4y2Ba 1939 - 0114gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/8387672gydF4y2Ba 8387672gydF4y2Ba 研究文章gydF4y2Ba 基于属性的用户审计模型测量和相似性度量gydF4y2Ba https://orcid.org/0000 - 0003 - 0379 - 6326gydF4y2Ba 杨gydF4y2Ba 晓惠gydF4y2Ba https://orcid.org/0000 - 0002 - 6199 - 5895gydF4y2Ba 太阳gydF4y2Ba 应gydF4y2Ba ThamilarasugydF4y2Ba GeethapriyagydF4y2Ba 学校的网络安全和计算机gydF4y2Ba 河北大学gydF4y2Ba 保定071002gydF4y2Ba 中国gydF4y2Ba hbu.cngydF4y2Ba 2020年gydF4y2Ba 9gydF4y2Ba 3gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 25gydF4y2Ba 10gydF4y2Ba 2019年gydF4y2Ba 18gydF4y2Ba 01gydF4y2Ba 2020年gydF4y2Ba 9gydF4y2Ba 3gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020晓惠杨和应阳光。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

物联网(物联网)是一个开放的网络。有大量的恶意节点在网络中。这些恶意节点可能篡改正确的数据并将它们传递给其他节点。正常的节点将使用错误的数据信息传播由于缺乏能力验证接收到的消息的正确性,导致虚假信息的传播在医疗、社会、和其他网络。审计用户属性和行为信息来识别恶意用户节点是一个重要的安全网络。为了应对用户节点审计问题,基于属性的用户审计模型测量和相似性度量(AM-SM-UAM)提出。首先,用户属性构造测量算法,使用层次决策模型构造判断矩阵来分析用户属性数据。其次,博客的相似性度量算法,评估不同的用户发布的博客文章的相似度基于改进的Levenshtein距离。最后,基于安全程度的用户审计模型构建,和恶意用户定义的安全阈值。实验结果表明,该模型可以全面分析用户的属性和行为数据和实际应用中更准确、性能稳定的网络平台。gydF4y2Ba

 中国国家重点研发项目gydF4y2Ba 2017年yfb0802300gydF4y2Ba 1。介绍gydF4y2Ba

物联网(物联网)是互联网的最新发展,包括大量的物理设备和应用程序连接(gydF4y2Ba 1gydF4y2Ba]。物联网允许对象集合和数据交换,等等。gydF4y2Ba 2gydF4y2Ba],它可以执行医疗数据管理、医疗信息监测、分析和用户信息。目前,违反医疗数据的隐私等问题和发布虚假医疗广告经常出现在网络,和恶意用户变得越来越复杂和隐蔽,这给网络带来了巨大的安全威胁。准确、快速的识别恶意用户不仅有利于用户的数据和信息的安全,也便于及时应对网络威胁。gydF4y2Ba

当对象连接到互联网的事情继续向网络用户生成信息和报告,一个值得注意的发展,他们也会加入传统社交网络和与“人”的社会网络。社交网络不仅仅是人与人之间的社会,但叫人,person-to-thing, thing-to-thing。因此,恶意用户在社交网络将不可避免地对互联网的安全构成威胁的东西。gydF4y2Ba

来识别恶意用户在社交网络,确保物联网的安全,用户审计模型提出了基于属性和相似的措施。模型测量复杂的用户属性和用户之间的相似性,分析用户的属性信息和行为信息,确定用户的安全指数,并找到自办发行行为在用户间的相似性,可以改善模型的精确度来识别恶意用户。同时,用户安全的概念,提出了衡量物联网用户安全,这是一个重要的指标来识别恶意用户节点。gydF4y2Ba

本文的贡献如下:gydF4y2Ba

构建用户属性测量算法,获得用户属性数据,计算属性权重向量通过层次权重决策模型,并分析属性信息。gydF4y2Ba

构建相似性度量算法,考虑用户的博客文本信息,使用分词技术,提取原始博客内容关键字,并改善Levenshtein距离。通过研究博客的内容,它反映了用户的偏好和特点的自发行为。gydF4y2Ba

建议用户安全度的概念作为一个重要的指标正常用户和恶意用户之间的区别。同时,定义了安全阈值,安全阈值的判断基于用户安全程度识别恶意用户。gydF4y2Ba

分析模型在真实的微博数据集的性能和比较它与其他算法模型。AM-SM-UAM更好的性能在提高精度,稳定,恶意用户节点的模型参数调优。gydF4y2Ba

本文的其余部分组织如下。节gydF4y2Ba 2gydF4y2Ba,我们提供简要介绍现有的相关工作。模型中描述的部分gydF4y2Ba 3gydF4y2Ba。节gydF4y2Ba 4gydF4y2Ba,我们详细介绍模型AM-SM-UAM草案。节gydF4y2Ba 5gydF4y2Ba介绍了该系统的实验结果。最后,我们结束我们的工作gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

 2。相关工作gydF4y2Ba

近年来,基于异常行为检测的恶意用户识别方法已经引起了相当大的关注。Hajmohammadi et al。gydF4y2Ba 3gydF4y2Ba)主动学习自动获得恶意用户使用,计算开销大的问题,信息冗余和信息过载。古普塔等人使用的特征提取方法,例如文本特征(gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 5gydF4y2Ba和网络结构特性gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 8gydF4y2Ba),从大量的标记中提取特点正常用户和恶意用户培训用户分类模型。由于不同的评估标准提取区分用户的特性在不同应用背景,检测精度低,稳定性差。李等人。gydF4y2Ba 9gydF4y2Ba)通过添加捕获恶意用户积极吸引关注节点获得的网络和恶意用户独立于普通用户的行为特征。检测框架基于捕获系统被用来确定恶意用户的MySpace和Twitter。Zhang et al。gydF4y2Ba 10gydF4y2Ba)和Tahir et al。gydF4y2Ba 11gydF4y2Ba]分析了协作学习对聚类的影响,和恶意用户识别的准确性是最小的。孟和郭gydF4y2Ba 12gydF4y2Ba]纠正异常的误警率基于支持向量机的入侵检测。虽然部分标记训练样本被用来减少系统开销,大多数训练样本被认为是均匀和平均,和实际情况有时难以满足条件,经常过度拟合现象。朱et al。gydF4y2Ba 13gydF4y2Ba)提出了一个社会群体识别社区检测方法基于局部属性。由于大量的相邻节点,计算开销比较大。异常行为检测方法基于用户的关系,比如Ju et al。gydF4y2Ba 14gydF4y2Ba计算模型的基础上,紧密和信贷集中度,判断用户通过用户的影响关系邻接矩阵;李等人。gydF4y2Ba 15gydF4y2Ba)提出了网页排名基于账户异常检测算法,构建一个基于用户关系和社会关系矩阵行列帐户来检测恶意用户通过网页排名值的迭代计算。这种方法没有考虑用户的属性特征,以及用户的排名结果时间延迟的影响,因此,准确率是物联网有不均匀的最小规模。gydF4y2Ba

总之,现有恶意用户识别方法有三个重要的缺点。首先,用户数据样本是需要高,测试结果不稳定,计算效率和准确性等评价指标不能两全其美。第二,特征提取、聚类和其他方法只考虑用户属性特征或只考虑用户关系的信息,而不考虑用户自发的行为,社会用户属性信息的检测,和自发行为的信息。第三,只有数值特征被认为是和文本数据,如用户博客信息不考虑。gydF4y2Ba

在移动互联网的时代,互联网的东西需要存储、计算和分析数据时,通过服务管理层实现信息处理功能。它使用现有的或感知到的信息来创建新的信息。在开发期间,不仅有必要配置设备网络也执行用户系统开发,数据处理,等。在这个时候,物联网硬件也有社会属性。因此,保持安全的物联网和识别网络中恶意用户,针对上述问题,基于属性的用户审计模型测量和相似性度量(AM-SM-UAM)提出了通过微博的社会平台体积庞大的用户作为一个例子。AM-SM-UAM定义了用户安全度的概念和构建一个属性测量算法和相似性度量算法审计用户属性信息和行为信息和识别恶意用户节点的微博。gydF4y2Ba

 3所示。模型描述gydF4y2Ba

AM-SM-UAM的建设的关键是合理量化用户的属性信息和行为信息,实现恶意用户的识别,确保运行平稳的微博。一系列的操作,如分析用户的信息和测量用户属性和博客内容的相似性,是用户审计。gydF4y2Ba

微博用户集,gydF4y2Ba UgydF4y2Ba= {gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba}(gydF4y2Ba 我gydF4y2Ba= 1,……,gydF4y2Ba ngydF4y2Ba),代表了微博用户的收藏包括恶意用户和普通用户和恶意用户嗯,嗯∈gydF4y2Ba UgydF4y2Ba,代表用户审计发现的恶意用户。然后,审计问题的微博用户识别恶意用户定义如下:如何执行用户审计在用户设置gydF4y2Ba UgydF4y2Ba在微博和确定恶意用户嗯通过构造属性测量算法和相似性度量算法。AM-SM-UAM包括三个层次,如图gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

AM-SM-UAM框架。gydF4y2Ba

数据层:读取原始数据预处理和数据。用户向量构造,有效的用户属性信息和用户的博客文本信息的原始数据。gydF4y2Ba

功能层:用户属性信息和博客文本信息构建基于用户特性。属性向量是建立基于用户属性特征,和用户属性是由数值表示。用户博客分析的文本信息通过使用分词技术,提取关键字来代表用户的博客,用户文本数据处理实现的目的同时处理和分析数值数据和文本数据。gydF4y2Ba

审计层:两个用户审计提出了有针对性的算法策略来实现。首先,一个属性测量算法构造量化用户属性信息。建立一个层次决策模型,构造判断矩阵,计算用户的属性值。使用层次决策模型来计算用户属性权重向量,这样用户的各种属性的相对重要性信息可以清楚地表达。第二,相似性度量算法构造来处理用户的博客信息和评估用户的相似与不同属性值在博客关键词,从而达到计算文本数据的相似性的目的。用户的属性信息和博客文本信息被认为是全面的用户属性和自发行为的两个方面来获取用户安全程度。gydF4y2Ba

 4所示。模型建设gydF4y2Ba

当AM-SM-UAM审核微博用户的属性信息和行为信息,它综合考虑了用户属性特征和博客内容信息和用户的安全措施程度通过测量用户的属性和计算用户之间的相似性博客有不同的属性值。gydF4y2Ba

属性测量(AM)代表用户的属性信息数值;相似性度量(SM)代表的相似字的原始博客用户和反映了用户的自发行为的特点。用户安全程度(Sec),它反映了用户的安全程度,计算根据用户属性测量是(gydF4y2Ba ugydF4y2Ba)和出版内容相似性测量SM (gydF4y2Ba ugydF4y2Ba)。公式如下所示:gydF4y2Ba (1)gydF4y2Ba 证券交易委员会gydF4y2Ba ugydF4y2Ba =gydF4y2Ba 我gydF4y2Ba ugydF4y2Ba ⋅gydF4y2Ba SMgydF4y2Ba ugydF4y2Ba 。gydF4y2Ba

4.1。属性测量gydF4y2Ba

用户属性测量是用户安全程度评估的基础。测量的属性如表所示gydF4y2Ba 1gydF4y2Ba。除了用户的信息完整性、其他属性信息可以读取实验数据集,所以用户的个人信息完整性的定义和计算。gydF4y2Ba

用户属性特征。gydF4y2Ba

特性符号gydF4y2Ba 功能分类gydF4y2Ba 功能名称gydF4y2Ba
一个gydF4y2Ba lgydF4y2Ba 用户属性gydF4y2Ba 微博等级gydF4y2Ba
一个gydF4y2Ba VgydF4y2Ba 用户属性gydF4y2Ba 大v认证gydF4y2Ba
一个gydF4y2Ba pgydF4y2Ba 用户属性gydF4y2Ba 个人信息的完整性gydF4y2Ba
一个gydF4y2Ba fgydF4y2Ba 用户属性gydF4y2Ba 数量的追随者gydF4y2Ba
一个gydF4y2Ba 年代gydF4y2Ba 用户属性gydF4y2Ba 的粉丝数量gydF4y2Ba

个人信息完整性(gydF4y2Ba 一个gydF4y2Ba pgydF4y2Ba)指的是比例的个人有效的公开信息,用户填写,占所有信息填写。填写所有的信息包括微博等7项ID、真实姓名认证,性别,生日,年龄,地区,和公司。gydF4y2Ba

个人信息完整性计算和构造向量gydF4y2Ba EgydF4y2Ba被用来表示用户的数据,见以下方程:gydF4y2Ba (2)gydF4y2Ba EgydF4y2Ba =gydF4y2Ba dgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 6gydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 7gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba dgydF4y2Ba kgydF4y2Ba(gydF4y2Ba kgydF4y2Ba =gydF4y2Ba1、2、…,7)表明是否项目gydF4y2Ba kgydF4y2Ba填写完全,gydF4y2Ba dgydF4y2Ba kgydF4y2Ba= 0表示没有有效信息填写项gydF4y2Ba kgydF4y2Ba;gydF4y2Ba dgydF4y2Ba kgydF4y2Ba= 1表明,有效的信息已经填写项gydF4y2Ba kgydF4y2Ba。gydF4y2Ba

用户向量模型构建。通过获取用户的数据,没有标记的选择有效的用户标记7数据信息判断,和被标记为有效或无效的信息根据实际填写情况,直到所有用户标签标记。用户的信息完整性取决于计算向量的稀缺性gydF4y2Ba EgydF4y2Ba,见以下方程:gydF4y2Ba (3)gydF4y2Ba 一个gydF4y2Ba pgydF4y2Ba ugydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba dgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 一个gydF4y2Ba pgydF4y2Ba(gydF4y2Ba ugydF4y2Ba)代表用户的完整性gydF4y2Ba ugydF4y2Ba′年代个人信息;7是总尺寸gydF4y2Ba EgydF4y2Ba。gydF4y2Ba

根据相对重要性的5个微博级别的用户属性信息gydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba,大v认证gydF4y2Ba 一个gydF4y2Ba VgydF4y2Ba 、个人信息完整性gydF4y2Ba 一个gydF4y2Ba pgydF4y2Ba、粉丝数gydF4y2Ba 一个gydF4y2Ba fgydF4y2Ba和粉丝的数量gydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba层次决策模型是用来计算权重向量gydF4y2Ba βgydF4y2Ba,具体值是由实验决定的。gydF4y2Ba

的结构层次决策模型包括目标层、准则层和方案层,如图gydF4y2Ba 2gydF4y2Ba。第一层表示目标层度规的用户;第二个层是准则层五个用户属性特性影响目标的决心,和第三层代表了用户活动的方案层。gydF4y2Ba

层次决策模型。gydF4y2Ba

根据属性向量对应五个微博用户的特征水平gydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba,大v认证gydF4y2Ba 一个gydF4y2Ba VgydF4y2Ba 、个人信息完整性gydF4y2Ba 一个gydF4y2Ba pgydF4y2Ba、粉丝数gydF4y2Ba 一个gydF4y2Ba fgydF4y2Ba和粉丝的数量gydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba,并结合权重向量gydF4y2Ba βgydF4y2Ba,用户属性数值代表反映用户的自己的安全程度,如以下方程:gydF4y2Ba (4)gydF4y2Ba 我gydF4y2Ba ugydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba ·gydF4y2Ba βgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

4.2。相似度测量gydF4y2Ba

用户的原始博客反映他们的行为特性。在用户博客内容提取关键词,博客内容在用户间的相似性与不同属性值估计发现用户行为特征和完整的用户相似性度量。博客的相似性可以转化为两个字符串之间的相似的问题,和字符串之间的操作步骤用于计算。gydF4y2Ba

Levenshtein距离指的是最小数量的编辑操作所需的源字符串转换成源字符串和目标之间的目标字符串string [gydF4y2Ba 16gydF4y2Ba),允许编辑操作包括替换、插入和删除。gydF4y2Ba

由于用户博客的形式出现在长时间运行和短句子,和长时间运行和短句子的顺序在一篇博客文章中不影响用户的相似度,有两个缺点间接利用编辑距离计算。首先,实验误差的整个博客作为一个字符串比较大。第二,替换的数量长时间运行和短句子的顺序在一篇博客文章中都会计入操作的数量,增加了编辑距离,并减少相似,错误与实际情况相比。gydF4y2Ba

在这方面,提出了两个改进的编辑距离的方法,构建相似性度量算法。(一)Jieba [gydF4y2Ba 17gydF4y2Ba)是用于处理用户的博客内容,将整个文章分成几个关键词。(b)的关键词序列在实际博客不会影响相似性的判断。为了避免低相似的现象不一致造成的词序,重叠关键词两个字符串中删除,然后进行相似性度量。gydF4y2Ba

相似性度量算法步骤如下:gydF4y2Ba

步骤1:设置两套原始关键词组成的博客内容的关键词,和名称,分别gydF4y2Ba 转接板gydF4y2Ba和gydF4y2Ba keySetTgydF4y2Ba,关键字的数量定义为一组的大小,命名gydF4y2Ba keyNumSgydF4y2Ba和gydF4y2Ba keyNumT。gydF4y2Ba

步骤2:遍历原始关键词关键词集,得到符合关键字gydF4y2Ba keySamegydF4y2Ba分别,在集删除它们。同时,记录的数量与关键字命名gydF4y2Ba SameNum。gydF4y2Ba

第三步:记录当前的关键字集合gydF4y2Ba keySetXgydF4y2Ba和gydF4y2Ba keySetYgydF4y2Ba删除重合的关键词后,两组转化为一个源字符串gydF4y2Ba strXgydF4y2Ba和目标字符串gydF4y2Ba 士的宁gydF4y2Ba。集gydF4y2Ba xgydF4y2Ba1gydF4y2Ba…gydF4y2Ba xgydF4y2Ba 米gydF4y2Ba和gydF4y2Ba ygydF4y2Ba1gydF4y2Ba…gydF4y2Ba ygydF4y2Ba ngydF4y2Ba分别代表他们gydF4y2Ba 米gydF4y2Ba的长度是gydF4y2Ba strXgydF4y2Ba和gydF4y2Ba ngydF4y2Ba的长度是gydF4y2Ba 士的宁。gydF4y2Ba

第四步:定义(gydF4y2Ba 米gydF4y2Ba+ 1)* (gydF4y2Ba ngydF4y2Ba+ 1)秩序D [gydF4y2Ba 米gydF4y2Ba][gydF4y2Ba ngydF4y2Ba),并保存转换所需的最低数量的编辑操作gydF4y2Ba strXgydF4y2Ba来gydF4y2Ba 士的宁gydF4y2Ba,见方程(gydF4y2Ba 5gydF4y2Ba)。gydF4y2Ba

第五步:计算相似性SM的博客文章。所示的公式方程(gydF4y2Ba 6gydF4y2Ba)和(gydF4y2Ba 7gydF4y2Ba)。gydF4y2Ba

 (5)gydF4y2Ba DgydF4y2Ba 米gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 最小值gydF4y2Ba DgydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba DgydF4y2Ba 米gydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba DgydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba fgydF4y2Ba lgydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba >gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 国旗gydF4y2Ba用于标记数量的有效替换的比较gydF4y2Ba strXgydF4y2Ba和gydF4y2Ba 士的宁gydF4y2Ba字符,gydF4y2Ba 国旗gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba =gydF4y2Ba YgydF4y2Ba ngydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba ≠gydF4y2Ba YgydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

在方程(gydF4y2Ba 5gydF4y2Ba),当gydF4y2Ba 米gydF4y2Ba> 0,gydF4y2Ba ngydF4y2Ba> 0,它对应于三种操作模式的字符串,分别为:(一)删除操作:D (gydF4y2Ba 米gydF4y2Ba−1][gydF4y2Ba ngydF4y2Ba)+ 1意味着删除最后一个字符gydF4y2Ba strXgydF4y2Ba和编辑的数量加1;(b)插入操作:DgydF4y2Ba 米gydF4y2Ba][gydF4y2Ba ngydF4y2Ba−1)+ 1意味着最后的字符gydF4y2Ba 士的宁gydF4y2Ba插入gydF4y2Ba strXgydF4y2Ba,编辑的数量增加;(c)替换操作:DgydF4y2Ba 米gydF4y2Ba−1][gydF4y2Ba ngydF4y2Ba−1)+gydF4y2Ba 国旗gydF4y2Ba显示最后一个字符的字符串gydF4y2Ba YgydF4y2Ba是代替gydF4y2Ba strXgydF4y2Ba。编辑的数量决定的gydF4y2Ba 国旗gydF4y2Ba马克的数量,用于有效的替换:gydF4y2Ba (6)gydF4y2Ba sim卡gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba DgydF4y2Ba 米gydF4y2Ba ngydF4y2Ba 马克斯gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba +gydF4y2Ba 年代gydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba egydF4y2Ba NgydF4y2Ba ugydF4y2Ba 米gydF4y2Ba 马克斯gydF4y2Ba kgydF4y2Ba egydF4y2Ba ygydF4y2Ba NgydF4y2Ba ugydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba egydF4y2Ba ygydF4y2Ba NgydF4y2Ba ugydF4y2Ba 米gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba (7)gydF4y2Ba SMgydF4y2Ba =gydF4y2Ba sim卡gydF4y2Ba sim卡gydF4y2Ba 马克斯gydF4y2Ba ,gydF4y2Ba 在D [gydF4y2Ba 米gydF4y2Ba][gydF4y2Ba ngydF4y2Ba)代表Levenshtein距离源字符串gydF4y2Ba strXgydF4y2Ba和目标字符串gydF4y2Ba 士的宁gydF4y2Ba。gydF4y2Ba

 5。实验gydF4y2Ba 5.1。实验环境和数据gydF4y2Ba

实验中使用的环境(R)的核心(TM)是英特尔i5 - 7300总部CPU @2.50 GHz, 8 GB的内存,操作系统是Windows,代码和模型是基于c++实现。gydF4y2Ba

公布的数据集(gydF4y2Ba 18gydF4y2Ba)是用于验证模型的可行性。数据集包含1787443微博用户数据,每个用户数据包括用户的基本信息(如用户ID、性别、数量的追随者,和球迷的数量)和1000年新每个用户发布的微博。其中,有近40亿用户之间共同关心的关系。由于大量数据的数据集,10组数据集的随机选择,每组有10000的用户数据,和每一块用户数据包括用户的基本信息和新发布的博客内容,这是记录为“Data1、”“Data2”“Data3”,“Data4”,“Data5”“Data6”,“Data7”,“Data8”,“Data9,”和“Data10。”gydF4y2Ba

 5.2。评价指标gydF4y2Ba

为了解决数据不平衡问题,混淆矩阵分析实验结果建立了(gydF4y2Ba 19gydF4y2Ba]。矩阵,TP代表最初恶意用户的用户数量和判断恶意用户在检测;FN代表最初恶意用户的用户数量,但被认为是普通用户在检测;外交代表的用户数量原本普通用户,但被认为是恶意用户在检测;和TN代表的用户数量是原来正常用户和判定为正常用户在检测,如表所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

符号描述。gydF4y2Ba

检测结果gydF4y2Ba 实际情况gydF4y2Ba
恶意用户gydF4y2Ba 普通用户gydF4y2Ba
恶意用户gydF4y2Ba TPgydF4y2Ba 《外交政策》gydF4y2Ba
普通用户gydF4y2Ba FNgydF4y2Ba TNgydF4y2Ba

评估UAM的性能,三个评价指标,即精确率(前),召回率(Rec)和谐波均值F1_score被选中。其中,精确率和召回率是用来评估实验的准确性,和谐波值被用来评估实验的综合性能,和下面的方程所示的定义是:gydF4y2Ba (8)gydF4y2Ba 精准医疗gydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba ,gydF4y2Ba (9)gydF4y2Ba 矩形gydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba ,gydF4y2Ba (10)gydF4y2Ba FgydF4y2Ba 1gydF4y2Ba _scoregydF4y2Ba =gydF4y2Ba 2gydF4y2Ba ⋅gydF4y2Ba 精准医疗gydF4y2Ba ⋅gydF4y2Ba 矩形gydF4y2Ba 精准医疗gydF4y2Ba +gydF4y2Ba 矩形gydF4y2Ba 。gydF4y2Ba

5.3。参数设置gydF4y2Ba

参与实验的参数包括安全阈值gydF4y2Ba φgydF4y2Ba和权向量gydF4y2Ba βgydF4y2Ba。安全阈值gydF4y2Ba φgydF4y2Ba通过实验进行优化,其价值指的是由模型的性能评估通过调和平均数F1_score,见下面的分析;权重向量gydF4y2Ba βgydF4y2Ba是由一个层次决策模型,计算过程如下。gydF4y2Ba

根据层次模型,测量用户属性,gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba WgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba WgydF4y2Ba 3gydF4y2Ba,gydF4y2Ba WgydF4y2Ba 4gydF4y2Ba,gydF4y2Ba WgydF4y2Ba 5gydF4y2Ba代表gydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba,gydF4y2Ba 一个gydF4y2Ba VgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba,gydF4y2Ba 一个gydF4y2Ba fgydF4y2Ba,gydF4y2Ba 一个gydF4y2Ba hgydF4y2Ba5个用户的属性特征。五个特征的权重设置gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba= 3,gydF4y2Ba WgydF4y2Ba 2gydF4y2Ba= 5,gydF4y2Ba WgydF4y2Ba 3gydF4y2Ba= 7,gydF4y2Ba WgydF4y2Ba 4gydF4y2Ba= 1,gydF4y2Ba WgydF4y2Ba 5gydF4y2Ba= 1。九规模比例法(gydF4y2Ba 20.gydF4y2Ba]提出的T.L. Saaty作为比较规模比较准则层中的每个指标的相对重要性。构造判断矩阵如表所示gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

判断矩阵。gydF4y2Ba

WgydF4y2Ba1gydF4y2Ba WgydF4y2Ba2gydF4y2Ba WgydF4y2Ba3gydF4y2Ba WgydF4y2Ba4gydF4y2Ba WgydF4y2Ba5gydF4y2Ba
WgydF4y2Ba1gydF4y2Ba 1gydF4y2Ba 3/5gydF4y2Ba 3/7gydF4y2Ba 3gydF4y2Ba 3gydF4y2Ba
WgydF4y2Ba2gydF4y2Ba 5/3gydF4y2Ba 1gydF4y2Ba 5/7gydF4y2Ba 5gydF4y2Ba 5gydF4y2Ba
WgydF4y2Ba3gydF4y2Ba 7/3gydF4y2Ba 7/5gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 7gydF4y2Ba
WgydF4y2Ba4gydF4y2Ba 1/3gydF4y2Ba 1/5gydF4y2Ba 1/7gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba
WgydF4y2Ba5gydF4y2Ba 1/3gydF4y2Ba 1/5gydF4y2Ba 1/7gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba

通过计算权重向量gydF4y2Ba βgydF4y2Ba通过判断矩阵的每个属性,gydF4y2Ba 总和gydF4y2Ba行和规范化矢量和矩阵,如表所示gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

治疗矩阵。gydF4y2Ba

WgydF4y2Ba1gydF4y2Ba WgydF4y2Ba2gydF4y2Ba WgydF4y2Ba3gydF4y2Ba WgydF4y2Ba4gydF4y2Ba WgydF4y2Ba5gydF4y2Ba 总和gydF4y2Ba βgydF4y2Ba
WgydF4y2Ba1gydF4y2Ba 1gydF4y2Ba 3/5gydF4y2Ba 3/7gydF4y2Ba 3gydF4y2Ba 3gydF4y2Ba 8.029gydF4y2Ba 0.163gydF4y2Ba
WgydF4y2Ba2gydF4y2Ba 5/3gydF4y2Ba 1gydF4y2Ba 5/7gydF4y2Ba 5gydF4y2Ba 5gydF4y2Ba 13.381gydF4y2Ba 0.242gydF4y2Ba
WgydF4y2Ba3gydF4y2Ba 7/3gydF4y2Ba 7/5gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 7gydF4y2Ba 18.733gydF4y2Ba 0.463gydF4y2Ba
WgydF4y2Ba4gydF4y2Ba 1/3gydF4y2Ba 1/5gydF4y2Ba 1/7gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 2.676gydF4y2Ba 0.066gydF4y2Ba
WgydF4y2Ba5gydF4y2Ba 1/3gydF4y2Ba 1/5gydF4y2Ba 1/7gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 2.676gydF4y2Ba 0.066gydF4y2Ba

获得了五个属性的相对重要性,权向量gydF4y2Ba βgydF4y2Ba得到如下:gydF4y2Ba βgydF4y2Ba= (0.163,0.242,0.463,0.066,0.066)。gydF4y2Ba

 5.4。实验分析gydF4y2Ba

比较AM-SM-UAM之间的性能差异和现有的先进模式,成立比较实验。AM-SM-UAM与DBSCAN-based聚类算法相比,PageRank-based异常检测算法。通过这三个算法对应于实验的各种指标,三种算法的准确性来识别恶意用户的微博进行了分析。gydF4y2Ba

基于DBSCAN聚类算法是一种基于密度聚类的异常检测方法,可以发现异常点,而聚类。PageRank-based微博账户异常检测算法构造一个根据用户关系和社会关系矩阵行列的帐户通过迭代计算PageRank值来检测恶意用户。在恶意用户识别两种算法有很好的结果,因此上述两种算法与AM-SM-UAM用于比较实验。使用这三种算法,十组实验的数据集上进行“Data1-Data10”反过来,被记录为“G1-G10”。前,Rec, F1_score被用作实验的评估标准,和实验结果如图gydF4y2Ba 3gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

精确率。gydF4y2Ba

召回率。gydF4y2Ba

F1_score。gydF4y2Ba

结果表明,当AM-SM-UAM识别恶意用户,10组之间的精确率差异不超过2%,召回率不超过3%,F1_score不超过1%。与此同时,精确率、召回率和F1_score都高。DBSCAN聚类算法和网页排名排名算法精度较低利率时检测恶意用户的微博,和召回率差别很大,这使得F1_score低,不稳定。根据实验结果,用户在微博的审计AM-SM-UAM完成基于用户的属性信息和用户的博客关键词。它不仅考虑了数字信息,如用户的属性和减少时间延迟的影响由于只考虑用户的行为,但也认为文本信息,比如博客内容和不完备造成的计算只能够避免数值属性,从而提高识别恶意用户的准确性。gydF4y2Ba

测试的稳定性AM-SM-UAM审计微博用户,十组实验结果的平均值和方差对应三种算法进行了比较。实验结果如图gydF4y2Ba 6gydF4y2Ba和gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba

平均水平。gydF4y2Ba

方差。gydF4y2Ba

它可以观察到在图gydF4y2Ba 6gydF4y2Ba实验的10集对应的三个算法的精确率相比,召回率和F1_score价值。其中的三个指标的平均值DBSCAN聚类算法中;网页排名排名算法虽然平均值是92%,召回率低,算法的整体性能很差。10个实验中使用AM-SM-UAM,精确率、召回率,和F1_score最高的比其他两种算法;的平均精度达到96%。gydF4y2Ba

从图可以看出gydF4y2Ba 7gydF4y2BaDBSCAN聚类算法的方差和网页排名排名算法的三个实验评价指标很大,表明上述两个算法的实验结果波动大的10组实验,分别和算法的稳定性很差。10组实验的方差对应AM-SM-UAM很小,表明每组实验的结果不太波动,算法的稳定性更好。gydF4y2Ba

根据均值和方差的10组实验结果对应的三个算法,在审计的过程中微博用户的实验中,与其他两种算法相比,AM-SM-UAM算法也有更好的稳定性和适应性的前提下确保识别恶意用户具有较高的精度。gydF4y2Ba

 5.5。参数调优gydF4y2Ba

DBSCAN聚类算法、网页排名排名算法和AM-SM-UAM算法都需要实现恶意用户识别参数调整。DBSCAN聚类算法需要设置两个参数,即邻域阈值(Eps)和点阈值(Minpts)。根据参数,该地区具有一定密度分为集群,并且聚类结果敏感参数值。网页排名排名算法计算用户公关价值通过迭代矩阵秩的用户完成检测恶意用户和阻尼因子的设置和迭代终止阈值有决定性影响的用户公关价值计算,和排名结果是敏感的参数值。上述两个算法极大地影响参数,算法的性能差别很大。gydF4y2Ba

安全阈值gydF4y2Ba φgydF4y2Ba在AM-SM-UAM相关识别恶意用户的准确性。由方程(gydF4y2Ba 1gydF4y2Ba),用户的安全的公式Sec (gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba)=我(gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba)·SM (gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba),我(gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba)= (gydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba,gydF4y2Ba 一个gydF4y2Ba VgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba pgydF4y2Ba,gydF4y2Ba 一个gydF4y2Ba fgydF4y2Ba,gydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba)·(gydF4y2Ba βgydF4y2Ba)gydF4y2Ba TgydF4y2Baβ的权向量计算层次决策模型。因此,在权向量的前提上gydF4y2Ba βgydF4y2Ba已经确定,安全阈值gydF4y2Ba φgydF4y2Ba应该由F1_score的大小和安全阈值之间的关系gydF4y2Ba φgydF4y2Ba和F1_score如图gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

之间的关系gydF4y2Ba φgydF4y2Ba和F1_score。gydF4y2Ba

可以观察到在图gydF4y2Ba 8gydF4y2Ba,当安全阈值gydF4y2Ba φgydF4y2Ba0.4,F1_score值是最大的。因此,当安全阈值gydF4y2Ba φgydF4y2Ba= 0.4,也就是说,用户安全度小于0.4用户定义为恶意用户,AM-SM-UAM具有最好的性能。gydF4y2Ba

验证的安全阈值的合理性0.4,10组实验AM-SM-UAM审计微博用户进行了分析。把用户安全程度的普通用户和恶意用户在微博“G1-G10”计算的十组实验,分别。计算的平均安全程度的普通用户和恶意用户在每组实验中,如图gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

用户安全程度分布。gydF4y2Ba

结果表明,安全程度的普通用户平均分布在[0.6,0.8],而恶意用户分布在[0.2,0.4]。根据实验结果,普通用户之间的平均安全程度和恶意用户在微博上有一个很大的缺口,所以安全阈值的程度范围可以[0.4,0.6]。根据实验结果,与其他两种算法相比,过程中参数调优,UAM很容易找到最优参数,哪个更有利于识别恶意用户的微博。gydF4y2Ba

 6。结论gydF4y2Ba

本文提出一种基于属性的微博用户审计模型测量和相似性度量(AM-SM-UAM),用于检测大量的恶意节点的物联网和识别虚假信息在医疗和社会网络。首先,用户安全度的概念,提出了反映微博用户的安全级别,作为区分的标准恶意用户和普通用户。其次,用户属性测量算法,使用层次决策模型构造判断矩阵来分析用户属性数据。最后,相似性度量算法,用户原创博客的关键词分词技术提取,Levenshtein距离提高,用户博客内容相似性计算和用户行为信息数据进行了分析。通过测量用户属性信息和博客关键词的相似性的计算,获得了用户安全程度,恶意用户决定。实验表明,AM-SM-UAM实现更准确,性能稳定。gydF4y2Ba

在不久的将来,物联网中的恶意用户节点的行为将会具体分析来确定恶意用户之间的相关行为。同时,恶意节点之间的关联行为的概率在医疗物联网是通过增加推理计算,和恶意节点的识别和虚假行为医疗物联网的进一步讨论。gydF4y2Ba

 数据可用性gydF4y2Ba

数据来自一篇文章(gydF4y2Ba 18gydF4y2Ba清华大学的张静,爬虫程序被用来构造一个数据集的微博用户。本研究中使用的微博网络他们爬从新浪Weibo.com,与Twitter类似,允许用户跟踪对方。特别是,当用户B, B的活动,如(tweet和retweet)将可见A可以选择转发微博,推特(或转发)通过B的用户也被称为B和B的追随者被称为followee爬行后的网络结构,为每一个在1787443年的核心用户,爬虫收集她1000年最新的微博。他们生产的爬行,最后总共40亿后,他们之间的关系,平均每个用户200追随者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项工作是支持的国家重点研发项目批准号下的中国2017 yfb0802300。gydF4y2Ba

 风扇gydF4y2Ba K。gydF4y2Ba 太阳gydF4y2Ba 年代。gydF4y2Ba 杨ydF4y2Ba Z。gydF4y2Ba 锅gydF4y2Ba Q。gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 在物联网blockchain-based时钟同步方案gydF4y2Ba 未来一代计算机系统gydF4y2Ba 2019年gydF4y2Ba 101年gydF4y2Ba 524年gydF4y2Ba 533年gydF4y2Ba 10.1016 / j.future.2019.06.007gydF4y2Ba 2 - s2.0 - 85068376424gydF4y2Ba 风扇gydF4y2Ba K。gydF4y2Ba 江gydF4y2Ba W。gydF4y2Ba 气gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 基于云计算的RFID在IoV相互的身份验证方案有效的隐私保护gydF4y2Ba 富兰克林研究所杂志》上gydF4y2Ba 2019年gydF4y2Ba 9gydF4y2Ba 35gydF4y2Ba 10.1016 / j.jfranklin.2019.02.023gydF4y2Ba 2 - s2.0 - 85062909960gydF4y2Ba HajmohammadigydF4y2Ba m . S。gydF4y2Ba 易卜拉欣gydF4y2Ba R。gydF4y2Ba SelamatgydF4y2Ba 一个。gydF4y2Ba 藤田gydF4y2Ba H。gydF4y2Ba 主动学习和自我训练的跨语言情绪分类与未标记的样本的密度分析gydF4y2Ba 信息科学gydF4y2Ba 2015年gydF4y2Ba 317年gydF4y2Ba 67年gydF4y2Ba 77年gydF4y2Ba 10.1016 / j.ins.2015.04.003gydF4y2Ba 2 - s2.0 - 84930162674gydF4y2Ba 古普塔gydF4y2Ba 一个。gydF4y2Ba KumaragurugydF4y2Ba P。gydF4y2Ba 卡斯蒂略gydF4y2Ba C。gydF4y2Ba 迈耶gydF4y2Ba P。gydF4y2Ba 在推特上TweetCred:实时可靠性评估的内容gydF4y2Ba 第六届国际会议在社会信息学学报》上gydF4y2Ba 2014年gydF4y2Ba 西班牙巴塞罗那gydF4y2Ba 施普林格gydF4y2Ba 228年gydF4y2Ba 243年gydF4y2Ba AmleshwaramgydF4y2Ba 答:一个。gydF4y2Ba ReddygydF4y2Ba N。gydF4y2Ba 亚达夫gydF4y2Ba 年代。gydF4y2Ba 顾gydF4y2Ba g F。gydF4y2Ba 杨gydF4y2Ba C。gydF4y2Ba 猫:描述自动化Twitter垃圾邮件发送者gydF4y2Ba 学报》第五届国际会议上通信系统和网络(COMSNETS)gydF4y2Ba 2013年gydF4y2Ba 印度班加罗尔gydF4y2Ba IEEEgydF4y2Ba 1gydF4y2Ba 10gydF4y2Ba 胡gydF4y2Ba X。gydF4y2Ba 唐gydF4y2Ba j·L。gydF4y2Ba 刘gydF4y2Ba H。gydF4y2Ba 在线社交垃圾信息散布者检测gydF4y2Ba 第28届会议上人工智能学报》上gydF4y2Ba 2014年7月gydF4y2Ba 加拿大魁北克gydF4y2Ba AAAIgydF4y2Ba 59gydF4y2Ba 65年gydF4y2Ba 胡gydF4y2Ba X。gydF4y2Ba 唐gydF4y2Ba j·L。gydF4y2Ba 张gydF4y2Ba y . C。gydF4y2Ba 刘gydF4y2Ba H。gydF4y2Ba 微博的社会垃圾信息散布者检测gydF4y2Ba 学报》第23届国际联合会议上人工智能gydF4y2Ba 2013年gydF4y2Ba 中国,北京gydF4y2Ba AAAIgydF4y2Ba 2633年gydF4y2Ba 2639年gydF4y2Ba RavikumargydF4y2Ba 年代。gydF4y2Ba TalamadupulagydF4y2Ba K。gydF4y2Ba 巴拉科瑞斯南gydF4y2Ba R。gydF4y2Ba KambhampatigydF4y2Ba 年代。gydF4y2Ba RAProp:排名推利用推特/用户/网络生态系统和inter-tweet协议gydF4y2Ba 学报22 ACM国际会议信息和知识管理gydF4y2Ba 2013年gydF4y2Ba 旧金山,加州,美国gydF4y2Ba ACMgydF4y2Ba 2345年gydF4y2Ba 2350年gydF4y2Ba 李gydF4y2Ba K。gydF4y2Ba CaverleegydF4y2Ba J。gydF4y2Ba 韦伯gydF4y2Ba 年代。gydF4y2Ba 揭露社会垃圾邮件发送者:社会honeypot +机器学习gydF4y2Ba 第33国际市立图书馆会议进行信息检索的研究和发展gydF4y2Ba 2010年gydF4y2Ba 瑞士日内瓦gydF4y2Ba ACMgydF4y2Ba 435年gydF4y2Ba 442年gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 基于协同训练Semi-supervised集群合奏gydF4y2Ba 学报》国际会议粗糙集知识和技术gydF4y2Ba 2012年gydF4y2Ba 柏林,德国gydF4y2Ba 斯普林格出版社gydF4y2Ba 450年gydF4y2Ba 455年gydF4y2Ba TahirgydF4y2Ba N。gydF4y2Ba 哈桑gydF4y2Ba 一个。gydF4y2Ba 阿西夫gydF4y2Ba M。gydF4y2Ba MCD:相互连接社区检测使用社交网络的聚类系数方法gydF4y2Ba 在第二届国际会议上进行沟通,计算和数字系统(c代码)gydF4y2Ba 2019年3月gydF4y2Ba 巴基斯坦,伊斯兰堡gydF4y2Ba IEEEgydF4y2Ba 孟gydF4y2Ba Y。gydF4y2Ba 郭gydF4y2Ba l F。gydF4y2Ba 入侵检测使用disagreement-based semi-supervised学习:减少检测增强和假警报gydF4y2Ba 网络空间安全的国际会议gydF4y2Ba 2012年gydF4y2Ba 澳大利亚墨尔本gydF4y2Ba 斯普林格出版社gydF4y2Ba 483年gydF4y2Ba 497年gydF4y2Ba 朱gydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba Y。gydF4y2Ba 刘gydF4y2Ba R。gydF4y2Ba 社交网络社区检测组识别基于局部属性gydF4y2Ba IEEE学报》3日信息技术、网络、电子和自动化控制会议(ITNEC)gydF4y2Ba 2019年3月gydF4y2Ba 成都,中国gydF4y2Ba IEEEgydF4y2Ba 居gydF4y2Ba C。gydF4y2Ba 赵gydF4y2Ba K。gydF4y2Ba 保gydF4y2Ba F。gydF4y2Ba 社交网络用户的影响强度计算模型集成中心和信贷的亲密接触gydF4y2Ba 情报杂志gydF4y2Ba 2019年gydF4y2Ba 38gydF4y2Ba 2gydF4y2Ba 170年gydF4y2Ba 177年gydF4y2Ba 李gydF4y2Ba 年代。gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 杨gydF4y2Ba H。gydF4y2Ba 一个僵尸账户检测方法在微博基于网页排名gydF4y2Ba 2017年《IEEE国际会议软件质量,可靠性和安全性的同伴(QRS-C)gydF4y2Ba 2017年7月gydF4y2Ba 布拉格,捷克共和国gydF4y2Ba IEEEgydF4y2Ba 林gydF4y2Ba X.-M。gydF4y2Ba 王gydF4y2Ba W。gydF4y2Ba 设置和查询字符串相似性:一项调查gydF4y2Ba 中国电脑杂志gydF4y2Ba 2011年gydF4y2Ba 34gydF4y2Ba 10gydF4y2Ba 1853年gydF4y2Ba 1862年gydF4y2Ba 10.3724 / sp.j.1016.2011.01853gydF4y2Ba 2 - s2.0 - 81055157271gydF4y2Ba https://pypi.org/project/jieba/gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 唐gydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 刘gydF4y2Ba Y。gydF4y2Ba 兴gydF4y2Ba C。gydF4y2Ba 你影响了谁?通过社会影响位置预测转发gydF4y2Ba ACM交易数据的知识发现gydF4y2Ba 2015年gydF4y2Ba 9gydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 26gydF4y2Ba 10.1145 / 2700398gydF4y2Ba 2 - s2.0 - 84927509532gydF4y2Ba 杨gydF4y2Ba M。gydF4y2Ba 应ydF4y2Ba j . M。gydF4y2Ba 霁gydF4y2Ba g . L。gydF4y2Ba 对不平衡数据分类方法:一项调查gydF4y2Ba 南京师范大学学报(工程技术版)gydF4y2Ba 2008年gydF4y2Ba 8gydF4y2Ba 4gydF4y2Ba 7gydF4y2Ba 12gydF4y2Ba 罗gydF4y2Ba z Q。gydF4y2Ba 杨gydF4y2Ba s . L。gydF4y2Ba 比较研究在多个尺度层次分析法gydF4y2Ba 系统工程理论与实践gydF4y2Ba 2004年gydF4y2Ba 9gydF4y2Ba 51gydF4y2Ba 60gydF4y2Ba