تجزیه و تحلیل تطبیقی معیارهای ساختاری گرافیکی برای شناسایی ناهنجاری ها در شبکه های اجتماعی آنلاین

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 151

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IMPCS-2-1_007

تاریخ نمایه سازی: 20 دی 1401

چکیده مقاله:

شبکه های اجتماعی به دلیل استفاده وسیع و محبوبیت آنها در معرض حملات کلاهبردارانه و فعالیت های غیرقانونی و بوجود آمدن مشکلات امنیتی هستند. بنابراین، شناسایی فعالیت های غیرعادی به ویژه در شبکه های اجتماعی، به این دلیل که کمک می کند تا اطلاعات مهم و قابل توجهی در مورد رفتار کاربران غیرعادی بدست آورده و آنها را شناسایی کنیم؛ مورد نیاز است. به منظور تشخیص ناهنجاری ها در شبکه های اجتماعی، محققان عمدتا به رویکردهای مبتنی بر رفتار و ساختار متکی هستند. ما با استفاده از معرفی و تجزیه و تحلیل معیارهای مهم گراف برای تشخیص فعالیت های غیرعادی، رویکرد مبتنی بر ساختار گراف را گسترش می دهیم. مقایسه و اثربخشی اقدامات بر اساس سنجش های آماری مانند دقت ، بازخوانی و F-Score و همچنین بر اساس نمرات غیر عادی محاسبه و ارائه شده است. ارزیابی نظری و تجربی روی چند مجموعه داده بزرگ نشان می دهد که رابطه بین گره واسط و تعداد لبه ها برای تشخیص و رتبه بندی حداکثری تعداد ناهنجاری ها به درستی کمک می کند.

کلیدواژه ها:

ناهنجاری ، مرکزیت بینابینی ، گره واسط ، دسته ها ، شبکه های اجتماعی اینترنتی ، شبکه های ستاره ای

نویسندگان

مجتبی اعجمی

دانشکده مهندسی برق و کامپیوتر -دانشگاه آزاد اسلامی واحد زنجان - زنجان - ایران

ناصر عسگری

دانشکده مهندسی برق و کامپیوتر ، دانشگاه آزاد اسلامی واحد زنجان ، زنجان ، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • https://zephoria.com/top-۱۵-valuable-facebook-statistics/[۲] D. Savage, X. Zhang, X. Yu, P. Chou, and ...
  • P. Bindu and P. S. Thilagam, "Mining social networks for ...
  • L. Akoglu, M. McGlohon, and C. Faloutsos, "Oddball: Spotting anomalies ...
  • Li H , Bhowmick SS , Sun A . Blog ...
  • Li H , Bhowmick SS , Sun A , Cui ...
  • Agarwal N , Liu H , Tang L , Yu ...
  • Cai K , Bao S , Yang Z , Tang ...
  • M. Newman, Networks: an introduction: Oxford university press, ۲۰۱۰ ...
  • L. Akoglu, M. McGlohon, and C. Faloutsos, "Oddball: Spotting anomalies ...
  • R. Hassanzadeh, R. Nayak, and D. Stebila, "Analyzing the effectiveness ...
  • Vanetti M , Binaghi E , Carminati B , Carullo ...
  • Viswanath B , Bashir MA , Crovella M , Guha ...
  • Rezaei A , Kasirun ZM , Rohani VA , Khodadadi ...
  • Henderson K , Gallagher B , Li L , Akoglu ...
  • Ying X , Wu X , BarbaráD . Spectrum based ...
  • Miller B , Beard M , Wolfe P , Bliss ...
  • Rattigan MJ , Jensen D . The case for anomalous ...
  • Zheleva E , Getoor L , Golbeck J , Kuter ...
  • Yang W , Shen G-W , Wang W , Gong ...
  • Aghdam SM , Navimipour NJ . Opinion leaders selection in ...
  • Trifunovic S , Legendre F , Anastasiades C .Social trustin ...
  • Singh S , Sidhu J . An approach for determining ...
  • Breunig MM , Kriegel H-P , Ng RT , Sander ...
  • Eberle W , Holder L . Anomaly detection in data ...
  • نمایش کامل مراجع