社交媒体机器人账号智能检测研究

doi:10.3969/j.issn.1671-1122.2019.09.020

信息网络安全 ›› 2019, Vol. 19 ›› Issue (9): 96-100.doi: 10.3969/j.issn.1671-1122.2019.09.020

社交媒体机器人账号智能检测研究

陈里可^1,², 阮树骅^1,², 陈兴蜀^1,², 王海舟^1,²

1.四川大学网络空间安全学院,四川成都 610065
2.四川大学网络空间安全研究院,四川成都 610065

收稿日期:2019-07-15 出版日期:2019-09-10 发布日期:2020-05-11
作者简介:
作者简介：陈里可（1995—）,女,四川,硕士研究生,主要研究方向为舆情及情报分析;阮树骅（1966—）,女,四川,副教授,硕士,主要研究方向为云计算及大数据安全;陈兴蜀（1968—）,女,四川,教授,博士,主要研究方向为网络安全、云计算与大数据;王海舟（1986—）,男,四川,副教授,博士,主要研究方向为舆情及情报分析。
基金资助:
国家自然科学基金青年科学基金[61802271];中央高校基本科研业务费基础研究项目[SCU2018D018]

Research on Intelligent Detection of Social Media Robot Accounts

Like CHEN^1,², Shuhua RUAN^1,², Xingshu CHEN^1,², Haizhou WANG^1,²

1. College of Cybersecurity, Sichuan University, Chengdu Sichuan 610065, China
2. Cybersecurity Research Institute, Sichuan University, Chengdu Sichuan 610065, China

Received:2019-07-15 Online:2019-09-10 Published:2020-05-11

摘要/Abstract

摘要：

文章将获取的机器人账号和人类账号数据归纳抽象为账号信息属性、账号信用属性、账号社交关系属性和账号发文属性四大类社交账号属性,较好地体现了两类账号的本质不同,在此基础上,对社交账号数据进行预处理,抽取了社交账号的七个检测特征,并结合多种二分类机器学习算法,建立机器人账号智能检测模型。

关键词: 机器人账号, 社交账号属性, 社交账号检测特征, 智能检测, 新浪微博

Abstract:

This paper summarizes human and robot account data into four categories of attributes: information attributes, credit attributes, social relationship attributes and posting attributes, which better reflects the essential differences between the two types of accounts. Based on the four categories of attributes, the social account data is preprocessed and seven kinds of detection features for social accounts are extracted. Combining with a variety of binary machine learning algorithms, intelligent detection model of robot accounts is established by using seven social account detection features.

Key words: robot accounts, account attributes, account detection features, intelligent detection, sina microblog

中图分类号:

TP309

陈里可, 阮树骅, 陈兴蜀, 王海舟. 社交媒体机器人账号智能检测研究[J]. 信息网络安全, 2019, 19(9): 96-100.

Like CHEN, Shuhua RUAN, Xingshu CHEN, Haizhou WANG. Research on Intelligent Detection of Social Media Robot Accounts[J]. Netinfo Security, 2019, 19(9): 96-100.

图/表 2

参考文献 11

[1]	BOVET A, MAKSE H A.Influence of Fake News in Twitter During the 2016 US Presidential Election[J]. Nature Communications, 2019, 10(1): 7.
[2]	MICHAEL K.Bots Trending Now: Disinformation and Calculated Manipulation of the Masses[J]. IEEE Technology and Society Magazine, 2017, 36(2): 6-11.
[3]	SHAO C, CIAMPAGLIA G L, VAROL O, et al.The Spread of Low-Credibility Content by Social Bots[J]. Nature Communications, 2018, 9(1): 4787.
[4]	LIU Rong, CHEN Bo, YU Ling, et al.Overview of Detection Techniques for Malicious Social Bots[J]. Journal on Communications, 2017, 38(Z2): 197-210.
	刘蓉,陈波,于泠,等.恶意社交机器人检测技术研究[J].通信学报,2017,38(Z2):197-210.
[5]	GRIMME C, PREUSS M, ADAM L, et al.Social Bots: Human-Like by Means of Human Control?[J]. Big Data, 2017, 5(4): 279-293.
[6]	VAROL O, FERRARA E, DAVIS C A, et al.Online Human-Bot Interactions: Detection, Estimation, and Characterization[C]//AAAI. Eleventh International AAAI Conference on Web and Social Media, May 15-18, 2017, Montréal, Québec, Canada. Palo Alto: AAAI Press, 2017: 280-289.
[7]	KANTEPE M, GANIZ M C.Preprocessing Framework for Twitter Bot Detection[C]// IEEE. 2017 International Conference on Computer Science and Engineering(UBMK), October 5-7, 2017, Akdeniz University, Antalya, Turkey. New York: IEEE, 2017: 630-634.
[8]	SADIQ S, YAN Y, TAYLOR A, et al.Aafa: Associative Affinity Factor Analysis for Bot Detection and Stance Classification in Twitter[C]//IEEE. 2017 IEEE International Conference on Information Reuse and Integration(IRI), August 4-6, 2017, San Diego, California, USA. New York: IEEE, 2017: 356-365.
[9]	MINNICH A, CHAVOSHI N, KOUTRA D, et al.BotWalk: Efficient Adaptive Exploration of Twitter Bot Networks[C]//ACM. Proceedings of the 2017 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining 2017, July 31-August 3, 2017, Sydney, Australia. New York: ACM, 2017: 467-474.
[10]	QU Ming.Research and Implementation of Microblogging Bot Detection Technology[D]. Hunan: National University of Defense Technology, 2014.
	曲铭. 微博机器人检测技术的研究与实现[D].长沙:国防科学技术大学,2014.
[11]	LIU Kan, YUAN Yunying, LIU Ping.A Weibo Bot-Users Indentification Model Based on Random Forest[J]. ActaScientiarumNaturaliumUniversitatisPekinensis, 2015, 51(2): 289-300.
	刘勘,袁蕴英,刘萍.基于随机森林分类的微博机器用户识别研究[J].北京大学学报(自然科学版),2015,51(2):289-300.

检测算法	检测特征	准确率	召回率	调和平均
K邻近	PC、AC、AI、MR、PNR、FIR、SIR	0.92	0.95	0.94
随机森林	PC、AC、AI、MR、PNR、FIR、SIR	0.93	0.97	0.95
MLP	PC、AC、AI、MR、PNR、FIR、SIR	0.94	0.96	0.95

[1]	赵志岩, 纪小默. 智能化网络安全威胁感知融合模型研究[J]. 信息网络安全, 2020, 20(4): 87-93.
[2]	刘敏, 陈曙晖. 基于关联融合的VoLTE流量分析研究[J]. 信息网络安全, 2020, 20(4): 81-86.
[3]	边玲玉, 张琳琳, 赵楷, 石飞. 基于LightGBM的以太坊恶意账户检测方法[J]. 信息网络安全, 2020, 20(4): 73-80.
[4]	杜义峰, 郭渊博. 一种基于信任值的雾计算动态访问控制方法[J]. 信息网络安全, 2020, 20(4): 65-72.
[5]	傅智宙, 王利明, 唐鼎, 张曙光. 基于同态加密的HBase二级密文索引方法研究[J]. 信息网络安全, 2020, 20(4): 55-64.
[6]	王蓉, 马春光, 武朋. 基于联邦学习和卷积神经网络的入侵检测方法[J]. 信息网络安全, 2020, 20(4): 47-54.
[7]	董晓丽, 商帅, 陈杰. 分组密码9轮Rijndael-192的不可能差分攻击[J]. 信息网络安全, 2020, 20(4): 40-46.
[8]	郭春, 陈长青, 申国伟, 蒋朝惠. 一种基于可视化的勒索软件分类方法[J]. 信息网络安全, 2020, 20(4): 31-39.
[9]	陈璐, 孙亚杰, 张立强, 陈云. 物联网环境下基于DICE的设备度量方案[J]. 信息网络安全, 2020, 20(4): 21-30.
[10]	江金芳, 韩光洁. 无线传感器网络中信任管理机制研究综述[J]. 信息网络安全, 2020, 20(4): 12-20.
[11]	刘建伟, 韩祎然, 刘斌, 余北缘. 5G网络切片安全模型研究[J]. 信息网络安全, 2020, 20(4): 1-11.
[12]	刘鹏, 何倩, 刘汪洋, 程序. 支持撤销属性和外包解密的CP-ABE方案[J]. 信息网络安全, 2020, 20(3): 90-97.
[13]	宋宇波, 樊明, 杨俊杰, 胡爱群. 一种基于拓扑分析的网络攻击流量分流和阻断方法[J]. 信息网络安全, 2020, 20(3): 9-17.
[14]	王腾飞, 蔡满春, 芦天亮, 岳婷. 基于iTrace_v6的IPv6网络攻击溯源研究[J]. 信息网络安全, 2020, 20(3): 83-89.
[15]	张艺, 刘红燕, 咸鹤群, 田呈亮. 基于授权记录的云存储加密数据去重方法[J]. 信息网络安全, 2020, 20(3): 75-82.

社交媒体机器人账号智能检测研究

Research on Intelligent Detection of Social Media Robot Accounts

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 11

相关文章 15

编辑推荐

Metrics

本文评价