NHAD:基于神经模糊的在线社交网络水平异常检测
网络与互联网体系结构
2018-04-20 v2 社会与信息网络
摘要
使用社交网络是当今生活的基本功能。随着在线社交媒体日益增多,可用信息及其利用受到若干异常行为的威胁。异常是在线欺诈的主因,使未授权用户得以访问信息并进行信息伪造。水平异常是一种作为沉默攻击者的异常,由用户对不同源的可变行为所引发。水平异常难以检测且对任何网络都有危害。本文采用一种自修复神经模糊方法(NHAD)来高效且准确地检测、恢复并消除水平异常。所提方法基于五种范式运行:缺失链接、声誉增益、显著差异、信任属性与信任评分。该方法在三个数据集上评估:DARPA'98基准数据集、合成数据集与实时流量。结果表明,所提NHAD模型在合成数据集中10%至30%异常时的准确率介于98.08%与99.88%之间。在DARPA'98数据集上的评估显示,所提方法优于现有方案,其对异常类的检测率达99.97%。对于实时流量,所提NHAD模型以99.90%检测率实现平均99.42%的准确率。
引用
@article{arxiv.1804.06733,
title = {NHAD: Neuro-Fuzzy Based Horizontal Anomaly Detection In Online Social Networks},
author = {Vishal Sharma and Ravinder Kumar and Wen-Huang Cheng and Mohammed Atiquzzaman and Kathiravan Srinivasan and Albert Y. Zomaya},
journal= {arXiv preprint arXiv:1804.06733},
year = {2018}
}
备注
14 Pages, 16 Figures, 5 Tables, Accepted in IEEE Transactions on Knowledge and Data Engineering (2018)