基于KMV模型在线社交网络异常用户检测.docVIP

基于KMV模型在线社交网络异常用户检测 　　【 摘 要 】 在线社交网络中，异常用户是始终存在的。现代的手持移动终端设备在提升普通用户便携性的同时，也降低了异常用户在社交网络中的行为成本。KMV模型是美国KMV公司于1993年建立，用来估计借款企业违约概率的方案，是应用最广泛的信任度量模型之一。论文尝试使用KMV模型来映射计算社交网络中异常用户的预期违约率，在保证KMV模型高效、精确的前提下，保证了异常用户的识别率，能够运用在实际社交网络环境中。 　　【 关键词 】 在线社交网络；异常用户；预期违约率；KMV 　　【 Abstract 】 Abnormal user will exist permanently in Online Social Network（OSNs）. Modern mobile device as well as improve the portability of ordinary users also reduces the cost of malicious behaviors in OSNs. KMV model was posted by KMV Corporation in 1993 to focus on estimating the Expected Default Frequency（EDF） of the enterprise， KMV is the one of the most widely used credit monitor model. This paper use KMV to modeling the EDF of abnormal users in OSNs， has a high recognition rate of abnormal users in guarantee the efficiency and accuracy of KMV. It can be used in actual OSNs. 　　【 Keywords 】 osns； abnoraml user； edf； kmv 　　1 引言 　　随着移动手持设备的发展和社交网络的进一步演化，越来越多的人能够低成本的使用社交网络。由于移动手持设备的功能的逐渐增加，社交网络的终端设备已经逐渐由PC端转移到移动端。移动端手持设备具有使用时间片分散、使用成本低、用户忍耐度低等属性，这些属性，给社交网络带来了一些新的特征。同时，也造成了异常用户的行为成本降低，增大了异常用户的数量。 　　在以往的研究中，对于异常用户的检测使用的方案大致有基于行为特征、基于内容、基于图、无监督学习等方向。使用如上方案，能够在一定程度上达到检测异常用户的目的，不过仍有一些局限性，具体表现在两方面。 　　第一，无法发现并检测新的攻击方式：由于社交网络中异常用户是始终存在的，因此，社交网络中会不断出现各种新的攻击方式。异常用户由不同的目的，会根据社交网络的用户监督系统设置，不断调整自己的攻击方式。唯一能识别新的攻击特征的无监督学习方案，由于方案本身的一些局限性，仍然需要有运营人员时刻关注社交网络的发展。 　　第二，处理数据量过大，无法达到异常用户检测所需的实时性：基于推荐的一些解决方案，包括基于内容的方案，能够达到较高的准确性，但是由于解决方案本身需要分析大量数据，因此实时性无法保证，一般用于离线数据分析等场景中。无法在恶意用户的使用过程中及时的发现并采取相应措施。 　　本文将经济学领域中的KMV模型应用于社交网络中，通过相应的概念映射，能够利用KMV模型中的思想，得到相应的用户节点的预期违约率。从而判断在选定时间周期内，用户的违约概率，以此来相应的选择应对方案，减少异常用户对正常用户以及社交网络本身造成更大的信息干扰。 　　2 KMV模型基础思想 　　KMV模型是美国KMV公司于1997年建立的用来估计借款企业违约概率的方案，是应用最广泛的信任度量模型之一。该模型认为，贷款的信用风险是在给定负债的情况下，由债务人的资产市场价值决定的。结合Black-scholes期权定价公式，估算出企业资产的市场价值、资产价值的波动性。根据公司的负债计算出公司的违约实施点，计算相应的违约距离。再根据违约距离计算出预期违约率（EDF）。 　　KMV模型的主要优势在于，使用了资本市场的信息而不是历史账面资料进行预测，很好的将市场信息加入了预测逻辑中，更够反应企业当前的信用状况。在一定的时间积累内，KMV模型可以预测得到违约区间。因此，本文将KMV模型引入社交网络中，尝试达到相对实时、运算资源消耗较少的目的。 　　3 KMV模型在社交网络中的映射 　　在本部分中，我们将KMV模型中的理论，映射到社交网络中，尝试解决社交网