تعداد نشریات | 38 |
تعداد شمارهها | 1,240 |
تعداد مقالات | 8,994 |
تعداد مشاهده مقاله | 7,845,389 |
تعداد دریافت فایل اصل مقاله | 4,706,931 |
تشخیص ناهنجاری ها در شبکه های اجتماعی پویا بر اساس سنجش رفتاری | ||
پدافند الکترونیکی و سایبری | ||
مقاله 9، دوره 9، شماره 1 - شماره پیاپی 33، اردیبهشت 1400، صفحه 115-123 اصل مقاله (1.02 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
سعید قادری پیراقوم؛ مهدی سخائی نیا* ؛ محرم منصوری زاده | ||
گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان | ||
تاریخ دریافت: 09 اردیبهشت 1399، تاریخ بازنگری: 22 آبان 1399، تاریخ پذیرش: 24 آبان 1399 | ||
چکیده | ||
از آنجایی که شناسایی ناهنجاری در شبکههای اجتماعی پویا، در یک دنبالهای از گرافها در طول زمان صورت میگیرد، علاوه بر چالش ذخیرهسازی، فرآیند شناسایی به دلیل آهستگی تکامل گرافها دشوار است. چند گراف در بازه زمانی مشخص انتخاب میگردد و با بررسی تغییرات این گرافها ناهنجاری احتمالی شناسایی میگردد. بنابراین انتخاب تعداد گراف(نقاط زمانی) در دنباله گرافها بهعنوان یک چالش مهم در شناسایی ناهنجاریها در شبکههای اجتماعی پویاست در این مقاله روشی نوینی برای شناسایی ناهنجاری مبتنی بر دادههای ساختاری مستخرج از گراف پویای شبکه اجتماعی ارائه گردیده است. با استخراج شاخصهای مرکزیت از گراف شبکه و میانگین نرمال شده آنها، معیار فعالیت برای هر فرد تعریفشده است. با گذر زمان، تغییرات معیار فعالیت برای هر فرد موردسنجش قرارگرفته و بهعنوان امکان رفتار هنجار یا ناهنجار علامتگذاری میگردد. درصورتیکه شاخص سنجش رفتار فرد از آستانه معینی بیشتر گردید بهعنوان ناهنجاری گزارش میگردد. نتایج نشان داد که روش ارائهشده بر روی مجموعه داده VAST 2008 تعداد ناهنجاری بیشتری را با دقت 29/64 و فراخوان 82/81 یافته است. همچنین با انتخاب تعداد مختلف نقاط زمانی در دنباله گراف تعداد ناهنجاری بیشتری را شناسایی نموده است. | ||
کلیدواژهها | ||
شبکههای اجتماعی؛ تشخیص ناهنجاری؛ گراف پویا؛ سنجش رفتاری | ||
عنوان مقاله [English] | ||
Anomaly Detection in Dynamic Social Networks Based on Behavioral Measurements | ||
نویسندگان [English] | ||
S. Ghaderi Piraghum؛ M. Sakhaei-nia؛ M. Mansoorizadeh | ||
Computer Engineering Department, Bu-Ali SIna University | ||
چکیده [English] | ||
Since the detection of anomalies in dynamic social networks takes place in a sequence of graphs over time, in addition to the storage management challenge, the detection process is difficult due to the slow evolution of graphs. A number of graphs are selected in the specified time frame, and by examining the changes of these graphs, the possible anomalies are detected. Therefore, choosing the number of time points (graphs) in the sequence of graphs is an important challenge in the detection of anomalies. In this paper, a novel method is proposed to detect anomalies based on structural data extracted from dynamic social network graphs. By extracting the centrality indicators from the network graph and their normalized mean, the activity criterion for each individual has been defined. Over time, changes in the activity criterion for each individual are measured and marked as the possibility of normal or abnormal behavior. If the individual's behavior measure exceeds a certain threshold, it is reported as an anomaly. The results show that the proposed method detects more anomalies with the accuracy and recall of 64.29 and 81.82 respectively, for the VAST 2008 data set. It also, detects more anomalies by selecting different number of time points in the graph sequence. | ||
کلیدواژهها [English] | ||
Social Networks, Anomaly Detection, Dynamic Graph, Behavioral Measurement | ||
مراجع | ||
[1] Y. Liu and S. Chawla, “Social Media Anomaly Detection: Challenges and Solutions,” in Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 2317-2318, 2015.## [2] R. Yu, X. He, and Y. Liu, “Glad: Group Anomaly Detection In Social Media Analysis,” ACM Transactions on Knowledge Discovery from Data ACM T Knowl Discov D, vol. 10, no. 2, pp. 1-22, 2015.## [3] G. Shahmohammadi and S. Kamalizadeh, “Providing a Method for Identifying Phishing Website of Internet Payment Service, ” Electronic and Cyber Defense, vol. 4, no. 3, pp. 11-26, 2016. [Online]. Available: https://ecdj.ihu.ac.ir/article_200116_a099f2e1cdcda998bb5178d572a36436.pdf.## [4] V. Chandola, A. Banerjee, and V. Kumar, “Anomaly Detection: A Survey,” ACM computing surveys ACM Comput. Surv., vol. 41, no. 3, pp. 1-58, 2009.## [5] M. E. Newman, D. J. Watts, and S. H. Strogatz, “Random Graph Models of Social Networks,” Proceedings of the national academy of sciences, vol. 99, no. 1, pp. 2566-2572, 2002.## [6] L. Akoglu, H. Tong, and D. Koutra, “Graph Based Anomaly Detection and Description: A Survey,” Data mining and knowledge discovery Data Min Knowl Disc, vol. 29, no. 3, pp. 626-688, 2015.## [7] M. Zamini and S. M. H. Hasheminejad, “A Comprehensive Survey of Anomaly Detection in Banking, Wireless Sensor Networks, Social Networks, and Healthcare, ” Intelligent Decision Technologies FRONT ARTIF INTEL AP, vol. 13, no. 2, pp. 229-270, 2019.## [8] S. Ranshous, S. Shen, D. Koutra, S. Harenberg, C. Faloutsos, and N. F. Samatova, “Anomaly Detection in Dynamic Networks: A Survey, ” Wiley Interdisciplinary Reviews: Computational Statistics, vol. 7, no. 3, pp. 223-247, 2015.## [9] R. Hassanzadeh, R. Nayak, and D. Stebila, “Analyzing the Effectiveness of Graph Metrics for Anomaly Detection in Online Social Networks,” in International Conference on Web Information Systems Engineering, Springer, pp. 624-630, 2012.## [10] K. Das, S. Samanta, and M. Pal, “Study on Centrality Measures in Social Networks: A Survey,” Social Network Analysis and Mining, vol. 8, no. 1, p. 13, 2018.## [11] F. Riquelme, P. Gonzalez-Cantergiani, X. Molinero, and M. Serna, “Centrality Measure in Social Networks Based on Linear Threshold Model,” Knowledge-Based Systems Knowl-Based Syst., vol. 140, pp. 92-102, 2018.## [12] M. Z. Al-Taie and S. Kadry, Python for Graph and Network Analysis, Springer, 2017.## [13] A. Hagberg, D. Schult, and P. Swart, “NetworkX Reference, Release 2.3,” NetworkX Developers, Last updated on Apr. 11, 2019.## [14] M. Mirzaee and A. Mahabadi, “Anomaly Detection Method in Attributed Graph, Based on Community Detection and Feature Selection,” Electronic and Cyber Defense, 2019.## [15] N. A. Heard, D. J. Weston, K. Platanioti, and D. J. Hand, “Bayesian Anomaly Detection Methods for Social Networks,” The Annals of Applied Statistics, vol. 4, no. 2, pp. 645-662, 2010.## [16] M. G. Vigliotti and C. Hankin, “Discovery of anomalous behaviour in temporal networks,” Social Networks, vol. 41, pp. 18-25, 2015.## [17] V. K. Giri and S. Sachdeva, “Anomaly Detection in Social Networks,” in 2019 9th International Conference on Cloud Computing, Data Science & Engineering (Confluence), IEEE, pp. 698-703, 2019.## [18] R. Kaur and S. Singh, ”A Comparative Analysis of Structural Graph Metrics to Identify Anomalies in Online Social Networks,” Computers & Electrical Engineering Comput. Electr. Eng., vol. 57, pp. 294-310, 2017.##
| ||
آمار تعداد مشاهده مقاله: 861 تعداد دریافت فایل اصل مقاله: 510 |