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

1、在線社交網(wǎng)絡(luò)中，異常賬戶是始終存在的。在現(xiàn)代社會(huì)，對(duì)于異常賬戶的檢測通常使用的是信息本身的特征來設(shè)計(jì)，使用基于交互、基于排名、基于數(shù)據(jù)特征等方式來達(dá)到相應(yīng)的檢測目的。但是，基于交互、基于排名的方式需要賬戶主動(dòng)操作，會(huì)影響賬戶對(duì)社交網(wǎng)絡(luò)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(yīng)用比較廣泛的信任風(fēng)險(xiǎn)度量模型之一。KMV模型根據(jù)觀察對(duì)象的歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，配合 Black-Scholes期權(quán)定價(jià)理論

2、，得到觀察對(duì)象的預(yù)期違約概率，從而進(jìn)行相應(yīng)的處理。
　　本文將 KMV模型應(yīng)用在在線社交網(wǎng)絡(luò)異常賬戶檢測中，主要是為了達(dá)到：
　　①嘗試使用銀行業(yè)中信任風(fēng)險(xiǎn)度量模型模擬并度量在線社交網(wǎng)絡(luò)中賬戶的信任值，得到賬戶的信任值，方便在線社交網(wǎng)絡(luò)根據(jù)信任值對(duì)賬戶進(jìn)行相應(yīng)的分級(jí)或是權(quán)限控制。
　　②將賬戶的歷史數(shù)據(jù)與實(shí)時(shí)數(shù)據(jù)結(jié)合，利用 KMV模型計(jì)算消耗低的特性，實(shí)時(shí)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(luò)的發(fā)展與特征，分析幾個(gè)主要的在線社交網(wǎng)絡(luò)中的賬戶特征、行為統(tǒng)計(jì)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(yīng)的在線社交網(wǎng)絡(luò)對(duì)于異常賬戶的應(yīng)對(duì)方案，對(duì)不同的異常賬戶檢測方法進(jìn)行分析。
　　然后，研究了信任風(fēng)險(xiǎn)評(píng)估發(fā)展以及相應(yīng)的模型方法，重點(diǎn)分析了信任風(fēng)險(xiǎn)度量模型中對(duì)于參數(shù)值的選取以及相應(yīng)的變量意義，方便后續(xù)映射到在線社交網(wǎng)絡(luò)中。