基于KMV模型的在線社交網(wǎng)絡異常賬戶檢測的研究與實現(xiàn).pdf

1、在線社交網(wǎng)絡中，異常賬戶是始終存在的。在現(xiàn)代社會，對于異常賬戶的檢測通常使用的是信息本身的特征來設計，使用基于交互、基于排名、基于數(shù)據(jù)特征等方式來達到相應的檢測目的。但是，基于交互、基于排名的方式需要賬戶主動操作，會影響賬戶對社交網(wǎng)絡的使用，基于數(shù)據(jù)特征的方式則偏向于歷史數(shù)據(jù)挖掘。本文使用的 KMV模型，是銀行業(yè)中應用比較廣泛的信任風險度量模型之一。KMV模型根據(jù)觀察對象的歷史數(shù)據(jù)和實時數(shù)據(jù)，配合 Black-Scholes期權定價理論

2、，得到觀察對象的預期違約概率，從而進行相應的處理。
　　本文將 KMV模型應用在在線社交網(wǎng)絡異常賬戶檢測中，主要是為了達到：
　　①嘗試使用銀行業(yè)中信任風險度量模型模擬并度量在線社交網(wǎng)絡中賬戶的信任值，得到賬戶的信任值，方便在線社交網(wǎng)絡根據(jù)信任值對賬戶進行相應的分級或是權限控制。
　?、趯①~戶的歷史數(shù)據(jù)與實時數(shù)據(jù)結合，利用 KMV模型計算消耗低的特性，實時的檢測賬戶的異常操作，從而將這類操作的危害降到最低。
　　

3、本文主要研究工作如下：
　　首先，研究了在線社交網(wǎng)絡的發(fā)展與特征，分析幾個主要的在線社交網(wǎng)絡中的賬戶特征、行為統(tǒng)計等，為后續(xù)的研究中數(shù)據(jù)類型的選取做了鋪墊。
　　其次，研究了異常賬戶的危害以及相應的在線社交網(wǎng)絡對于異常賬戶的應對方案，對不同的異常賬戶檢測方法進行分析。
　　然后，研究了信任風險評估發(fā)展以及相應的模型方法，重點分析了信任風險度量模型中對于參數(shù)值的選取以及相應的變量意義，方便后續(xù)映射到在線社交網(wǎng)絡中。